机器学习中的逆向预测

Question

我对机器学习/数据科学中的逆预测有疑问。这里我举一个例子来说明我的问题：我有20个输入特征X =（x0，x1，... x19）和3个输出变量Y =（y0，y1，y2）。训练/测试数据的数量通常较小，例如训练集中的<1000项或甚至<100。

通常，通过使用机器学习工具箱（例如scikit learn），我可以从X - >训练模型（例如随机森林，线性/多项式回归和神经网络）。 Y.但我真正想知道的是，例如，我应该如何设置X，以便我可以在特定范围内具有y1值（例如y1> 100）。

有谁知道如何解决这种＆＃34;逆预测＆＃34;？我有两种方式：

1. 以正常方式训练模型：X - > Y，然后在高维X空间中设置密集网格。在此示例中，它是20维。然后使用此网格中的所有点作为输入数据，并将它们投射到训练模型。选择预测的y1> 1的所有输入点。 100.最后，使用一些方法，例如聚类来查找所选数据点中的某些模式。
2. 直接学习从Y到X的模型。然后，在高维Y空间中设置密集网格，其中让y1＆gt; 100.然后使用训练的模型计算X数据点。

当Y也具有高维度时，第二种方法可能没问题。但通常情况下，在我的应用中，Y是非常低维度的，X是非常高维的，这让我觉得方法2不太实用。

有没有人有任何新想法？我认为这应该在某种程度上在工业中非常普遍，也许有些人以前会遇到类似的情况。

谢谢！

Answer 1

根据我对你的需求的理解，＃1非常适合这个问题。我建议您使用简单的二元分类器SVM来区分好/坏X向量。 SVM适用于高维空间，在大多数SVM接口中读取系数很容易。