预测多个目标或类别？

假设我正在建立一个预测模型，在该模型中我试图预测多个事件（例如，掷骰子和掷硬币）。我熟悉的大多数算法都只能使用一个目标，因此我想知道是否存在针对此类问题的标准方法。

我看到两个可能的选择。也许最幼稚的方法是将它们简单地视为两个不同的问题，然后组合结果。但是，当两个目标不是独立的（在许多情况下它们可能非常依赖）时，这将带来严重的缺陷。

对我来说，更明智的方法是合并目标属性。因此，在骰子和硬币的情况下，我们将具有状态（等）。但是，这可能导致复合目标中的状态/类的数量变得相当大（很快，如果我们有2个骰子，等等）。此外，在一个属性是分类属性而另一个属性是数字属性的情况下，这似乎很奇怪（例如，如果预测温度和降水类型）。$6\cdot 2=12$$(1, H), (1, T), (2, H)$

有没有标准的方法来处理这类事情？另外，是否有专门设计的学习算法来处理此问题？

这在机器学习社区中被称为“多标签学习”。有多种解决问题的方法，包括您在问题中描述的方法。一些帮助您入门的资源：

• 从多标签数据中学习
• 花木兰：用于多标签学习的Java库
• 《机器学习期刊》关于从多标签数据中学习的特刊（我相信该刊物尚未出版）
• 流式多标签分类（视频）
• 结合基于实例的学习和Logistic回归进行多标签分类（视频）

如果您有两个变量具有相同的预测变量，并且变量B也具有变量A作为预测变量，则您可能正在考虑一个优化问题，您想同时优化A和B的估计。如果您对第二个进行了错误的估计，那么优化一个就没有意义。

这将是一个运筹学问题，不幸的是，这超出了我的专业领域。