两个单一模型还是一个多类模型？

Question

我需要预测下一个目标事件 - 购买两个价格类别的汽车（例如，高档和中档）。训练目标的数量大致相同（假设每个价格类别有 10,000 次购买）。我在这里看到两种训练机器学习模型的方法。第一个是多类模型。第二个是两个单独的模型来预测每个细分市场。您认为应该采取哪种方法？为什么？我想以多类模型为基础，你能列出哪些优点和缺点？

Answer 1

TLDR：一种多类模型更容易维护，可以学习更通用的模式，并且没有相互冲突的预测。我推荐多类模型，例如 RandomForest 甚至更好的 PairwiseDifferenceLearningClassifier

多类模型方法

优点：

1. 更容易维护：考虑数据科学管道（训练数据选择、超参数优化、解释、部署、维护），一个模型当然要容易得多。
2. 更通用的模式：多类模型与单独模型一样高效。另一方面，优化单独的模型可能会导致过度拟合。
3. 没有冲突的预测： 使用单独的模型，每个模型都可以预测特定的答案，如果预测不冲突，那么解释可能是......然后建议使用一致的模型。

缺点：

1. 模型复杂性：只有少数相当复杂的模型提供多类分类训练。不过，如果您需要良好的准确性，最好使用此类模型。
2. 类不平衡处理：如果存在任何不平衡，模型可能对于代表性较少的类表现不佳。在这种情况下考虑使用类别权重。

推荐解决方案：成对差分学习（PDL）分类器

为了解决这两种方法的复杂性和局限性，我建议考虑PDL 分类器。 PDL 分类器是一种元学习器，利用实例之间的成对比较，将多类问题简化为一个二元问题。