假设我有数以万计的数据集（行），每列包含 300 列整数、双精度和字符串（无图像，无音频）。其中五个目标列代表我要预测的每个数据集（行）表示的产品的有趣结果属性（整数）。
我目前的想法是为每个目标列创建类并组合这些类：column1 有 1-5 类，column2 也有 1-5 类……所以我得到了“11111”、“15312”、“43151”形式的组合目标类”、“55555”。现在，对于每个可能是 ANN 输出的数据集（行），我只有一个目标“标签”。这种方法至少有两个缺点：
如果我增加每列的类数，我会在某些组合类中得到更少的数据集。
所以我的问题是我应该继续采用这种方法还是有更好的想法？可以使用 ANN 同时预测多个属性（即类）吗？
这是一个相当奇怪的问题，至少对我来说......按照你的方法你最终会得到类，这是典型神经网络的一个棘手问题。你可以访问这篇论文，它展示了一个数学严谨的解决方案：
我还将公开三种可能的幼稚解决方案，以供遇到类似问题的人注意：
将您的 5 列转换为二进制列（5 级 3 位）并将问题视为具有 15 个类别的多标签分类https://en.wikipedia.org/wiki/Multi-label_classification。
您可以为每列拟合 5 个多类模型（分而治之的海军方法，这似乎是最先进的 phylosohpy）
我从未尝试过 beta 回归，但它是有道理的：您可以将目标标签转换为出现频率，考虑以非常低的概率修剪目标。然后，您可以执行初步的 beta 回归来预测发生目标。此外，您可能还有其他分类模型，具体取决于 beta 回归器给出的概率，比如说 0-10%、10-20% 等目标的 5 个模型......
将您的问题视为回归问题，但会出现一些问题：您的数据集中的“11111”真的接近“11112”吗？即你的标签是有序的吗？
所以我的问题是我应该继续采用这种方法还是有更好的想法？是否可以使用 ANN 同时预测多个属性（即类）？
是的，一个 ANN 可以为一个样本输出多个类（但不会在如此大的范围内工作）：