如何在进化环境中对二进制分类问题建模

Question

假设您对两个类(是或否)有问题。虽然“是”类是固定的，但在观察没有演化的意义上，“NO”类的观测值可能会随着时间的推移而演变，并可能转变为“是”类。我想预测一个给定的观测值改变为是的概率。

这里可以使用什么样的ML模型？贝叶斯网络是否是一种解决方案？

我还想观察哪些变量发生了变化(或者哪些变量是最重要的)，哪些变量将“否”变成了“是”。

谢谢

Answer 1

如果你试图预测一些看起来像概率，但实际上不需要“真实”概率的东西(例如，如果你的目标是对观察结果排序，找出那些最有可能转换为“否”的人)，那么你很可能会在数据集上使用逻辑回归。这将需要每隔一段时间对模型进行改装。

如果你在寻找实际的概率，那么在一段时间内，它必须是从“否”到“是”的概率。在这种情况下，您将进入时间序列分析。这是一个更复杂的问题。

我的直觉是把状态的变化看作是一种物理的随机现象，比如放射性衰变，在\Delta t时间周期内衰变的概率是e^{-\lambda \Delta t}。根据过去已经切换过的情况，您可以构建一个回归模型来预测每个观测的\lambda值。当然，您可以使用指数以外的其他衰变函数(通过验证步骤找到最佳衰减函数)。这将最终允许预测在任何给定时间内的切换概率。

Answer 2

这是个有趣的问题。这类似于法庭案件审判的一个例子--假设一个人在被证明有罪之前是无罪的(你的“否”标签)，当他被证明有罪时就会继续有罪(你的“是”标签)。

现在，为了猜测一个人被转化为有罪的可能性，我会使用以下技巧：

方法1.对相似人群进行聚类，找出其他人的概率。通过拥有已经标记为YES的记录的相似特性，您可以对类似的案例进行聚类。您可以在这里使用社区检测来进行无监督的聚类。

方法2.使用马尔可夫链。如果您可以定义观察的可能步骤(或阶段)，通常在转换为YES之前遵循这些步骤。然后，根据该特定记录后面的链，可以猜测概率。