免责声明：我是机器学习领域的新手，即使我在过去一个月中做了相当大的研究，我仍然对此主题缺乏深入的了解。
我一直在与Scikit库一起玩，目的是学习如何根据历史信息来预测新数据，并对现有信息进行分类。
我正在尝试解决两个可能相关的不同问题：
问题1
给定一个包含rows r1 ... rn的数据集，具有f1 ... fn，每个 group rows的目标，确定在哪个组中do low r（n 1）属于。
现在，目标值不是单数，它是一组值；我能够提出的最好的解决方案是将这些值集表示为串联，这会创建一个人工类，并允许我仅使用一个属性来表示多个值。有更好的方法吗？
我期望能够通过全新的行，并被告知哪个目标值是每个行。
问题2
给定一个包含rows r1 ... rn的数据集，具有f1 ... fn，根据特征的频率预测r（n 1）的值。
这里有一些注意事项：
- 大多数功能本质上都是分类的。
- 某些功能是日期，因此，在进行预测时，日期应该是将来相对于历史数据。
- 需要每行进行频率分析，因为某些值可能无效。
我的问题是：是否有任何过程/ML算法，给定历史数据将能够根据参数的频率预测一组新值？
如果您有任何建议，请告诉我。
关于问题1，如果您期望目标值的不同组件是独立的，则可以将问题作为为每个组件构建分类器的问题。也就是说，如果功能是F = (F_1, F_2, ..., F_N)和目标Y = (Y_1, Y_2, ..., Y_N)，则创建具有功能F和Target Y_1的分类器，具有功能F和Target Y_2等的第二个分类器，等等。
关于问题2，如果您不处理时间序列，IMO可以做的最好的就是简单地预测每个功能的最常见价值。
也就是说，我相信您的问题更适合诸如交叉验证的另一个堆栈交换。