机器算法验证 - 图形标称模型 - 吾爱随笔录

假设我有一组个矩阵。 $k$

D = A_{1}, A_{2}, . . ., A_{k}

$\mathbb D = A_1,A_2,...,A_k$

的每一列都是分类向量。 $A$

A = v_{1}, v_{2}, . . ., v_{n}

$A = v_1,v_2,...,v_n$

我想找到映射其中是一个矩阵，使得

f : A \to Q

$f: A \rightarrow Q$

Q

$Q$

(n, n)

$(n,n)$

\frac{1}{k} \sum_{k} MSE (Q_{k, r e a l} (i j) - Q_{k, p r e d i c t} (i j))

$\frac{1}{k} \sum_k \text{MSE}\left(Q_{k,real}(ij) - Q_{k,predict}(ij)\right)$ 被最小化。

选择 MSE 是因为代表一些连续事件的发生。 $Q(ij) \in 0,1$

到目前为止，已经直接使用的元素。 s的交叉表的 bin 参数化。卡方给出了不好的结果。我选择了对称不确定性（信息论）。形成很容易表明，假设二元高斯分布，通过 Z 评分可以极大地减少误差，但是结果并不那么引人注目。（这个感觉不对，还是有很多错误。） $d(A(i),A(j))$ $Q(i,j)$ $v$ $Q_{predict}$

我正在为整个过程寻找一个经过充分研究的监督机器学习/拟合模型，考虑图形结构和交叉制表数据。到目前为止，我已经听取了计算机科学人员关于信念网络、循环神经网络、结构化 SVM 和多重对应分析的建议。多重对应分析是唯一的方法，虽然期望名义数据，但它不适合任何东西，也不能模拟联合 PMF。理想情况下，我希望模型是可解释的，而不是黑盒（如 SVM）。我在线性代数和编程方面比在统计方面要好得多。我考虑过构建一个嵌套模型并用随机梯度下降之类的方法来解决它。我愿意对任何建议进行实验。我有大量的 CPU 周期和训练数据，但没有好的模型。