功能参数校准通过机器学习

Question

我有一个函数F，[bool] = F（DATASET，tresh1，tresh2）， 接受输入DATASET和一些参数，例如2阈值-tresh1 e tresh2-，并返回布尔值：如果DATASET是“好”则返回1，否则返回0。答案当然取决于值tresh1 e tresh2。

假设我有100个DATASET可用，我知道哪些是好的，哪些不是。我想“训练”我的函数F，即教它几个值tresh1_和tresh2_，使得F（DATASET，tresh1_，tresh2_）为所有（或大多数）DATASET“good”和“false”返回“true” otherwize。

我期望F（DATASET_，tresh1_，tresh2_），其中DATASET_是一个新的（与之前的100不同），如果DATASET_真的“好”，则返回true。

我可以将这个问题视为一个聚类问题：对于训练集中的每个DATASET，我选择随机tresh1和tresh2并且我标记哪些值确保F返回正确的值而哪些不是。因此，我选择了tresh1和tresh2值为“good”的区域。 这是一个好方法吗？还有更好的吗？

一般来说，在我看来是“参数校准问题”。是否存在一些经典技术来解决它？

Answer 1

您想要做的通常称为

Hyperparameter optimization

有关详细信息，请参阅Wikipedia文章。常见的方法是执行网格搜索，除非您可以计算函数F的衍生。

这是一种搜索方法;它通常用于机器学习以优化性能，但它本身并不是“机器学习”算法。