Question

我面临以下问题：给定 k - 维空间中的一个点，选择一组离散参数以最大化正（二元）结果的概率。我有相同形式的培训示例，例如

    point       parameters    good?
    ------      ----------    -----
1)  x1 x2 x3    p1 p2 p3      NO
2)  x1 x2 x3    p1 p2 p3      YES
3)  x1 x2 x3    p1 p2 p3      YES
    ...etc.

所有参数都是自由变量，并且有任意数量的参数（ k 也是任意的）。我考虑过了

生成点的聚类，调整每个聚类的参数，然后将每个新点与一个聚类关联。
开发模型以分别预测每个参数。

两者都有很大的缺点。我想知道是否有更系统的方法来解决这个问题（似乎是一个常见的问题）。任何人都可以指出我的相关阅读或算法吗？

谢谢，如果这是提出这类问题的错误地点，我会提前道歉。

Answer 1

你没有提到的另一个简单的技术是k-最近邻 - 找到k维空间中离输入点最近的正点并复制其参数选择。

如果您知道或者可以更多地了解k维空间或参数的实际含义，您可以使用这些知识来构建一个好的模型。

Answer 2

这是一个经典的classification（数据挖掘）问题，您可以选择使用哪种算法。最常见的方法是：

你应该阅读它们并决定哪一个最适合你的问题，遗憾的是，没有针对所有域和数据的“最佳”方法。

基于输入向量选择多个离散参数的算法

2 个答案: