Какой алгоритм ML следует использовать для прогнозирования списка событий?

Question

Я новичок в выборе моделей для науки о данных и надеюсь, что вы можете помочь с выбором модели для моей текущей проблемы.

Я пытаюсь предсказать список событий на основе категориальных признаков с числовыми метками. Например:

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

Мне нравится прогнозировать три главных события на основе категориальных особенностей. Я предполагаю, что он включает в себя метод вероятности в машинном обучении, какой алгоритм / ML / метод глубокого обучения вы бы мне предложили использовать?

Результат ожидания будет следующим:

1. Injury
2. Fire
3. Flood

Answer 1

Я предполагаю, что у вас есть вход фиксированного размера, пять категориальных переменных.

Первое предложение - попытаться использовать векторы внедрения вместо простых целых чисел для кодирования категориальных значений. Самый простой способ - использовать встраивание слоев и позволить сети создавать вложения для you .

Второе предложение, для этой цели мне кажется правильным использовать многослойный персептрон или 1D слой свертки (возможно, объединить их оба). Философия должна заключаться в том, что вы применяете свои входные объекты, они будут обрабатываться после плотных или одномерных слоев CNNN, выходной слой будет плотным слоем. Если это только возможный диагноз

• Травма

• Потоп

• Пожар

• Протест

Чем ваш выход будет иметь 4 единицы. Если вам нужен список, вы можете попробовать подход с пороговым значением, поэтому, если активация объекта, прошедшая через пороговое значение, рассматривается как часть возможного списка диагностики.

О техническом аспекте вы не упоминаете о своем прошлом. Поэтому я рекомендую использовать некоторую стандартную библиотеку ML тензор потока, pytorch ... Относительно прост в настройке и проведении экспериментов.

Редактировать

Сеть может выглядеть так:

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']))

Если вы построите сеть таким образом (см. Softmax на выходном уровне и категориальный_кросцентропия как потери), сеть будет производить вероятности как выходные данные. После обучения, если вы используете модель как:

results = model.predict(input_data)

Результатами будет список списков вероятностей (один список для каждой входной выборки). Если вы подсчитаете сумму одного такого списка, вы получите 1.