Как запустить обратное предсказание с машинным обучением?

Question

Я совершенно новый для машинного обучения, но я ищу решение следующей проблемы. Это своего рода обратное предсказание. У меня есть много входов и соответственно для каждой записи один выход. Поэтому я мог легко классифицировать и прогнозировать вывод для неизвестного нового набора данных. Проблема, которую я хотел бы решить, - это принять один ожидаемый результат и получить классификацию набора входных данных, которая в конечном итоге окажет очень высокую вероятность ожидаемому определенному результату.

Чтобы сделать проблему более сложной, я хотел бы иметь гибкость, чтобы определить некоторые критерии ввода, которые, вероятно, не изменяются j (например, мужчина/женщина), и добавить эти критерии как фильтры и получить новое предсказание Реверса - что будет самым важным важным вкладом в достижение данного результата, чтобы в конечном итоге получить ожидаемый и определенный результат.

Приведем пример: у меня есть тысячи записей студентов, включая образование и т. Д., И информацию, если они получают нормальные или экстремальные деньги после 10 лет опыта работы. Поэтому, если я новый студент, я мог бы предсказать результат, если я получу много денег или средний размер, основанный на моем образовании, полу, возрасте в той степени, что я изучаю и т. Д. то, что я хотел бы получить, что я мужчина и имею ожидаемый возраст во время учебы, что я должен изучить, чтобы иметь высокую вероятность получения крайней силы?

Answer 1

Эта проблема не имеет уникального или оптимального решения, хотя ее можно решать несколькими способами, ИМО.

Ключевым фактом для понимания является то, что у вас есть потеря информации от векторного ввода до скалярного/категориального вывода. Это не является «обратимым» или «обратимым» преобразованием из-за того, что множественный и очень различный входной вектор может приводить к одному и тому же выходному значению, таким образом разбавляя информационную составляющую.

Сказал, что одним из возможных угол атаки для проблемы было бы объединение ваших входных векторов, получение нескольких соответствующих кластеров для каждого выходного значения. Затем вы можете извлечь эти входные кластерные центры и проверить, каковы эти прототипические значения, которые приводят к желаемому результату. Таким образом, у вас будут желаемые обратные «входные точки интереса».