1）假设我有300个模型，有200种不同的设置来预测 基于全球GDP，外汇，竞争对手增长，新产品发布，即将推出的产品和许多其他条件，市场中X项目的月销售额。
2）模型评估过去一个世纪每个月的销售额并更新其在DB中的条目。比如说，在DB中我们有列Model_name，Settings，Factors_Considered，Success_Probability。
3）由于对过去的数据进行了数据评估，模型的成功/失败百分比 可以在DB中识别和更新。比如说，模型X PC在3月份的销售增长率为10％是0.8
4）但是，没有模型是完美的（概率为1），并且考虑到它所考虑的因素，每个模型在一定程度上都是正确的。假设一种模型考虑GDP，而其他模型则考虑汇率，而另一种模型则考虑该行业的新产品增长。
5）将所有因素考虑到一个模型中是非常复杂的，超级混乱，耗时且所有组合的测试时间都很痛苦。 :(
6）最明智的决定是使用基于模型的数据组合。比如说，如果模型X的概率是0.7，模型Y的概率是0.8。然后评估这些数据的过去组合，并提出一个现实的数字来估计未来的概率 我在这个例子中只考虑了2个模型，但是实时组合可能超过5000个。
7）然而最悲伤的部分是，我无法推断出如何实现这一目标的任何编程逻辑？任何建议/参考都非常感谢。在进行任何编程引用时，读者可以自由地考虑C / C ++ / Java / C＃。
请注意，此问题可能被视为背包问题的扩展。
请求您不要投票。问题似乎以循环方式呈现，但不是。如果您觉得任何部分没有组织或需要详细说明，请相应地进行评论。谢谢。
寻求澄清
＆＃34;设置＆＃34;之间的差异和＆＃34; factors_considered＆＃34;？
让我更好地尝试用一个例子来表达差异。 比如，模型X计算MC唐纳德汉堡的月销量增长或减少。
考虑的因素
X型考虑以下因素。
这些指标可以更准确地从其他来源或代理商处直接采购。这些被认为是一个因素。
设置
但是，所有信息都无法直接获得。但我们根据过去的数据来预测这些值。正如我们预测的那样，我们得到了多个输出。
根据过去5年的一个月说通货膨胀是0.2％ 但基于过去3年的一个月通货膨胀率为0.4％ 但基于过去1年的一个月通货膨胀率为0.1％ 我们不能只考虑长期统计数据，或者我们只能考虑短期统计数据。记住，一切都在循环中移动。 失业率，儿童人口百分比等情况也是如此。
数据评估基于0.2％的通货膨胀率，0.1％的0.4％。这三个被认为是模型的设置，并且进行了所需的预测。
现在，我们有来自确定来源和预测因素的模型值。但哪种组合经常有效？组合可以包括来自20或100个模型的数据。每个型号可能有2或20个设置。