Question

我从以下电路创建了一个 ML 模型

作为输入，我只使用了我正在更改范围的 R3 和 R5 的值：

R3：1 到 5 R5：10 到 150，步长为 10

我的目标值是用 R5 消耗的功率与 V1 提供的功率来衡量的电路效率

一旦我训练了模型，我就对更大范围的值进行了预测，并得到了在 Z 轴上具有效率的曲面：

我的问题是，给定一个集合，例如：

X1=1 X2=3

这导致输出预测效率为 50%

如何自动化推荐更好价值的过程，例如：

X1=1 X2=1

产生 57% 的效率

我想在一些限制条件下执行此操作：仅在 X1 上移动 2 个步骤，在 X2 上移动 3 个步骤

Answer 1

这听起来像是梯度下降等优化器的工作（如果您可以在 PyTorch 或 TensorFlow 等具有自动微分功能的框架中实现您的 ML 模型，则建议这样做）。

如果基于梯度的优化器不适合您的特定功能，我建议使用 Evolutionary Algorithms。根据您问题中的描述，我建议以下选项：

一种遗传算法，例如 NSGA-II Python 实现：https://jmetal.github.io/jMetalPy/api/algorithm/multiobjective/eas/nsgaii.html
Ant Colony Optimization Algorithms Python 实现：https://pypi.org/project/ACO-Pants/
Particle Swarm Optimization Python 实现：https://pyswarms.readthedocs.io/en/latest/

所有这些算法都适用于离散搜索空间，如果它们没有提供方便的 API 来约束搜索空间，您可以通过包装模型来解决这个问题：

让你的机器学习模型成为一个函数：

f(x1: float, x2:float) -> float

你可以写一个包装函数 f_constrained 如下：

def f_constrained(x1: float, x1: float, 
                  x1_min: float, x1_max: float, 
                  x2_min: float, x2_max: float) -> float:
    if x1_min <= x1 <= x1_max and x2_min <= x2 <= x2_max:
        return f(x1, x2)
    # this assumes the objective function is maximizing the values,
    # when minimizing, return float("inf") instead
    return float("-inf")

在训练好的机器学习模型的预测中搜索最佳参数

1 个答案: