我想将机器学习应用于并行环境中的分类问题。几个独立的节点，每个节点都有多个开/关传感器，可以传达它们的传感器数据，目的是根据启发式、训练数据或两者对事件进行分类。
每个对等方将从他们独特的角度测量相同的数据，并尝试对结果进行分类，同时考虑到任何相邻节点(或其传感器或仅与节点的连接)可能出现故障。节点应充当平等的伙伴，并通过传达其结果来确定最可能的分类。
最终每个节点都应该根据自己的传感器数据和对等节点的数据做出决定。如果重要的话，对于某些分类，误报是可以接受的(尽管不受欢迎)，但误报是完全 Not Acceptable 。
鉴于每个最终分类都会收到好的或坏的反馈，如果节点可以相互通信以确定最可能的分类，那么什么是合适的机器学习算法来解决这个问题？
最佳答案
如果每个单独节点中的传感器数据大体上足以做出合理的决定，他们可以只传达结果并进行多数表决。如果多数表决不合适，您可以训练一个额外的分类器，使用节点的输出作为其特征向量。
由于您希望通过反馈进行在线监督学习，您可以使用具有反向传播的神经网络或将误差添加到训练集中的增量支持向量机。研究分类器偏差以处理假阳性/假阴性权衡。
关于algorithm - 点对点节点的机器学习算法，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/2940606/