我有一个分类问题，我希望预测结果，但希望我的分类器能够在答案中获得几次“尝试”（比如放置单向赌注），而不是单个分类，或者是正确或不正确，并且想知道最佳流程。
示例：鉴于结果A，B，C和D，我想预测它将是'A或B'，或'A或C'，以及'正确'解决方案（那些）至少包含正确的个别答案）相应地影响学习过程。
到目前为止，我的想法是将数据集分成多个或多或少如上（A或C）并以常规方式训练分类器，或者训练多个分类器以使它们多样化，以及简单地结合结果，但我想知道是否有更好/不同的方式？我确信这不是一个独特的问题，但我不确定Google的正确术语。
我不知道这是否是一个相关的问题，但是还有一种方法可以包含在“我不知道”的选项中 - 即。不进行分类？
答案 0 :(得分：1)
很多分类器可以做你想做的事
朴素贝叶斯可以为每个标签提供概率，因此您可以获取最可能的k个标签，而不仅仅是单个最可能的标签和输出。
Logistic回归，SVM还可以为每个标签提供一个分数，让您做类似的事情
另一个技巧是稍微干扰输入特征向量并将其提供给分类器。重复几次，你得到的不是一个输出标签，而是几个。您可以按频率对它们进行计数和排序，以获得多个可能的答案。然后，您可以制定一些截止标准，仅选择这些标签的子集并将其返回给用户。