关于线性/逻辑回归、ANN、SVM等机器学习算法的两个问题：
-
这些算法中的模型处理的数据集，每个样本都有一系列特征和一个可能的输出值（例如：根据特征f获取房价），但如果这些特征足以产生关于感兴趣项目的多个信息，即多个输出呢？请看这个例子：一个关于汽车的数据集，每个样本（汽车）具有以下特征（初始速度、加速度和时间），在现实世界中，这些特征足以知道两个变量：通过
v = v_i + at计算速度和通过s = (v_i * t ) + (0.5 * a *t^2 )计算距离。因此，我希望样本X具有特征(x1 , x2 , ... , xn)，在同一步骤中输出y1和y2，这样在训练模型后，如果给定一个新的汽车样本，具有初始速度、加速度和时间，模型能够同时预测速度和距离，这是可能的吗？ -
在房价预测的例子中，样本
X给定特征(x1, x2, x3)，模型预测价格，这个过程可以通过某种方式逆转吗？也就是说，如果我给模型样本X提供特征x1、x2和价格y，它能预测特征x3吗？
回答：
-
这取决于模型。像线性回归这样的线性模型无法可靠地学习距离公式，因为它是给定变量的三次函数。你需要添加v×t和a×t²作为特征来获得距离的良好预测。然而，像三次核SVM回归或多层ANN这样的非线性模型应该能够从给定的特征中学习到这一点，前提是有足够的数据。
更一般地说，用单一模型预测多个值有时有效，有时无效——当有疑问时，只需拟合多个模型即可。
-
你可以尝试。是否有效取决于变量之间的关系和模型本身。
