Supposons que je construis un modèle prédictif où j'essaie de prédire plusieurs événements (par exemple, le lancer d'un dé et le tirage au sort d'une pièce). La plupart des algorithmes que je connais ne fonctionnent qu'avec une seule cible, alors je me demande s'il existe une approche standard pour ce genre de chose.
Je vois deux options possibles. L'approche la plus naïve serait peut-être de les traiter simplement comme deux problèmes différents, puis de combiner les résultats. Cependant, cela présente de graves inconvénients lorsque les deux cibles ne sont pas indépendantes (et dans de nombreux cas, elles peuvent être très dépendantes).
Une approche plus sensée pour moi serait de créer un attribut cible combiné. Donc, dans le cas d'un dé et d'une pièce, nous aurions états ( ( 1 , H ) , ( 1 , T ) , ( 2 , H ) , etc.). Cependant, cela peut conduire à ce que le nombre d'états / classes dans la cible composite soit assez grand assez rapidement (et si nous avions 2 dés, etc.). En outre, cela semble étrange dans le cas où un attribut est catégorique tandis que l'autre est numérique (par exemple, si l'on prévoit la température et le type de précipitations).
Existe-t-il une approche standard pour ce genre de choses? Sinon, existe-t-il des algorithmes d'apprentissage spécialement conçus pour gérer cela?