适用于多条件变量的机器学习算法？
Suitable Machine Learning algorithm for multi-conditionned variables?
我正在研究经济数据，解释有关经济周期的行业行为。对于每个行业，我都有大约 30 个独立因素。我的 Y 解释变量是每周库存 returns。因素特征是：
- 有些与 Y 相关，并且擅长解释我的 Y 的 短期噪声。因此，它们在 线性模型。
- 有的在特定时期有很好的意义，所以在我通过卡尔曼滤波估计[=26]进行动态估计的时候，在某些月或年里是有意义的=] 例如。
- 最后，在 配对条件 甚至三重条件下工作时，有些样本看起来很重要。 （例如，当 x1 为正且 x2 为负时，Y 显着为负，但在任何其他情况下均不显着）。
我努力以一种稳健的方式对最后一种类型（多案例特定变量）进行建模。我考虑过使用支持向量机、神经网络或树算法，但我不确定现在哪个是最好的。
我的问题是：你会推荐什么算法来解释第三种现象？您会推荐什么算法（如果有的话）来解释其中的 3 个？
您是否正在尝试发现特征对和三元组？我会用随机森林攻击第三个；这些关联应该在 "successful" 树中显示为密切相关。您也可以尝试减少功能；与一个或两个其他变量密切相关的变量将被支配并删除。
此外，您是否考虑过使用 FFT（快速傅立叶变换）来分析观测值中的循环噪声？
我无法推荐任何一种算法来解释这三种现象。首先，你没有给我们任何东西来描述数据的形状和纹理。其次，可用的分析模型几乎肯定过于简单和通用，无法一次性执行如此深入的分析。
我正在研究经济数据，解释有关经济周期的行业行为。对于每个行业，我都有大约 30 个独立因素。我的 Y 解释变量是每周库存 returns。因素特征是：
- 有些与 Y 相关，并且擅长解释我的 Y 的 短期噪声。因此，它们在 线性模型。
- 有的在特定时期有很好的意义，所以在我通过卡尔曼滤波估计[=26]进行动态估计的时候，在某些月或年里是有意义的=] 例如。
- 最后，在 配对条件 甚至三重条件下工作时，有些样本看起来很重要。 （例如，当 x1 为正且 x2 为负时，Y 显着为负，但在任何其他情况下均不显着）。
我努力以一种稳健的方式对最后一种类型（多案例特定变量）进行建模。我考虑过使用支持向量机、神经网络或树算法，但我不确定现在哪个是最好的。
我的问题是：你会推荐什么算法来解释第三种现象？您会推荐什么算法（如果有的话）来解释其中的 3 个？
您是否正在尝试发现特征对和三元组？我会用随机森林攻击第三个；这些关联应该在 "successful" 树中显示为密切相关。您也可以尝试减少功能；与一个或两个其他变量密切相关的变量将被支配并删除。
此外，您是否考虑过使用 FFT（快速傅立叶变换）来分析观测值中的循环噪声？
我无法推荐任何一种算法来解释这三种现象。首先，你没有给我们任何东西来描述数据的形状和纹理。其次，可用的分析模型几乎肯定过于简单和通用，无法一次性执行如此深入的分析。