我可以使用机器学习来确定最佳产品配置

时间:2019-07-01 17:31:38

标签: machine-learning classification pattern-recognition

这是一种适用于ML /模式识别模型的场景,还是仅从大型数据库进行过滤会更容易/更快?

我正在寻求创建一个系统,该系统将允许用户通过指定某些约束和首选功能来识别适当的产品。

有数百万种可能的产品配置。让我们假装它是盒子。

产品选项:

  • 尺寸(从1mm到1m)以1mm为增量
  • 颜色:10种颜色可供选择
  • 材料:3种选择,木材,金属,塑料

约束:

  • 木材只能以厘米为单位
  • 红色仅适用于500毫米及以上的毫米
  • 木材是首选材料
  • 蓝色是首选颜色

因此,我们有30,000(1000 * 10 * 3)个可能的选项。其中许多是不可行的,例如533 mm-Red-Wood

但是可以进行与请求类似的配置。

  • 533毫米红色塑料
  • 530毫米-红木
  • 540毫米-红木

注意: 我们当前的基于规则和代码的工具可能需要0.5到2分钟才能识别出首选配置。

我们可以生成所有可能的配置以及它们是否有效的列表。

我们估计可能有30,000,000个配置验证配置大约需要0.5秒,因此,以足够的计算能力,我们期望几天之内可以完成30M。

1 个答案:

答案 0 :(得分:2)

  

我可以使用机器学习来确定最佳的产品配置吗?

是的,如果您有一组理想的配置,可以从中推断出使它变得最佳的功能。

但是在您的问题中,您似乎有固定的规则,并且只想使用这些规则来生成有效的配置。 显然,这也是可能的(并且更加容易),但这不是机器学习,因为您的软件没有什么可从数据中“学习”的,它只能生成受约束的配置。