Si los resultados son mutuamente independientes, entonces sí, el método es válido. Si los resultados son mutuamente excluyentes, entonces no, el método no es válido.
Es fácil ver por qué este es el caso. Si tiene tres modelos binarios, la suma de los resultados no necesariamente suma uno. Por lo tanto, los resultados de sus modelos binarios no modelan correctamente la variable dependiente. Puede obtener un resultado como:
- A: 40%
- B: 70%
- C: 5%
Ahora si A, B y C son cosas como:
- ¿Cuáles son los cursos necesarios para aprender la recuperación de información y el aprendizaje automático?
- ¿Cuál es el significado / interpretación de la varianza de validación cruzada?
- ¿Qué significa "las redes neuronales profundas son covariantes para la traducción"?
- ¿Cuál es el mejor título de maestría para obtener hoy en inteligencia artificial, aprendizaje automático, etc.?
- ¿Puedo usar word2vec para entrenar un clasificador de aprendizaje automático?
- A: le gusta el helado
- B: quiere un teléfono inteligente
- C: le gusta ir al cine
Entonces estas probabilidades podrían ser correctas. Sin embargo, si los resultados son:
- A: compra helado en 30 días
- B: compra helado entre 30 y 60 días
- C: compra helado después de 60 días o nada.
Entonces, la salida del modelo no tiene sentido, y es mejor que cree un modelo multinomial que asegure que las predicciones del modelo sumen hasta el 100%.
