我应该使用哪种ML算法来预测事件列表？

Question

我是数据科学模型选择的新手，希望您能为我当前的问题提供模型选择方面的帮助。

我正在尝试根据带有数字标签的分类特征来预测事件列表。例如：

x1 x2 x3 x4 x5 y1 
1   1  3  4  5  Injury
2   2  2  1  3  Flood
3   1  2  3  2  Injury
3   2  1  1  1  Fire
1   1  1  1  1  Protest

我希望根据分类特征来预测前3个事件。我假设它涉及机器学习中的概率方法，您建议我使用哪种算法/ ML /深度学习方法？

预期输出如下：

1. Injury
2. Fire
3. Flood

Answer 1

我假设您有固定大小的输入和五个类别变量。

第一个建议尝试使用嵌入矢量而不是简单的整数进行分类值编码。最简单的方法是使用嵌入层，然后让网络为you创建嵌入。

第二个建议，为此目的，我觉得可以使用多层感知器或一维卷积层（可能将两者结合）。哲学上应该是，您应用了输入要素，这些要素将在密集或一维CNNN层之后进行处理，输出层将是密集层。如果这些只是可能的诊断

• 伤害

• 洪水

• 着火

• 抗议

比您的输出将有4个单位。如果需要列表，则可以尝试使用阈值方法，因此，如果将通过阈值传递的单元激活视为可能的诊断列表的一部分。

关于技术方面，您不会提及您的背景。因此，我建议使用一些标准的ML库tensorflow，pytorch ...相对易于设置和执行实验。

修改

网络可能看起来像：

model = Sequential()
model.add(Dense(units, activation="relu", input_shape=appropriate_shape))
model.add(Dense(output_units, activation="softmax"))
model.compile(optimizer="adam", loss="categorical_crossentropy", metrics=['acc']))

如果以这种方式构造网络（请参见输出层的softmax并将categorical_crossentropy视为损失），网络自然会产生概率作为输出。训练后，如果您将模型用作：

results = model.predict(input_data)

结果将是概率列表的列表（每个输入样本一个列表）。如果您计算一个这样的列表的总和，则会得到1.。