如何訓練 ML 模型以獲得多個可能的輸出？

Question

我一直試圖搜索這個問題，但無法得到答案。 在python中使用分類算法是否可以有多個可能的輸出？

我一直在研究一個農作物數據庫，該模型將使用 pH、土壤類型、溫度和濕度等輸入來預測哪種作物適合土地，在這種情況下，不止一種作物可以具有相似的 pH 值和土壤類型。 所以，我希望我的模型返回所有​​可能的結果。

所以，你能告訴我這是否可能嗎？ 如果是我如何獲得輸出？

  Temp Humidity Moisture    Stype   suitable-crop      Ph
0   26    52        38     Sandy      Maize         Slightly acidic
1   32    62        34      Red     Ground Nuts     Neutral
2   29    52        45     Loamy     Sugarcane      Slightly alkaline
3   34    65        62     Black      Cotton        Moderately acidic
4   26    50        35     Sandy      Barley        slightly acidic

上面給出的是樣本數據。 這里的目標是“合適的作物”。 正如您所看到的，玉米和大麥對溫度、濕度、土壤類型（Stype）和 ph 值幾乎都有相同的要求。 我使用隨機森林算法來預測輸出。

Enter the soil type:sandy
Enter the pH type:slightly acidic
Enter temperature:27
Eneter Humidity:50
Enter moisture:37

result = model.predict([[Stype1, pH1, Temperature, Humidity, Moisture]])
print(result)

['Sugarcane'] 

結果就是這樣。 我希望我的模型也返回所有可能的合適輸出，如大麥和玉米。

Answer 1

是的，這是可能的。 scikit-learn 用戶指南有一個很好的討論（在決策樹的上下文中，但以下引用更普遍）：

多輸出問題是一個有多個輸出要預測的監督學習問題，也就是說，當 Y 是大小為[n_samples, n_outputs]的二維數組時。

當輸出之間沒有相關性時，解決此類問題的一種非常簡單的方法是建立n個獨立模型，即每個輸出一個，然后使用這些模型獨立預測n個輸出中的每一個。 然而，因為與相同輸入相關的輸出值本身很可能是相關的，所以通常更好的方法是構建一個能夠同時預測所有 n 個輸出的單一模型。 首先，它需要更少的訓練時間，因為只構建了一個估計器。 其次，結果估計器的泛化精度通常會提高。

第二種方法是否可行可能取決於您使用的分類算法。 那些本機支持多輸出分類的算法通常會在 scikit-learn 中實現。 同樣，用戶指南是一個很好的起點。