Машиноведение для оптимизации параметров

Question

Для моей магистерской диссертации я использую стороннюю программу (SExtractor) в дополнение к конвейеру python для работы с данными астрономического изображения. SExtractor принимает файл конфигурации с многочисленными параметрами в качестве входных данных, что влияет (после некоторых промежуточных шагов) на статистику моих данных. Я уже много времени проводил с параметрами, поэтому я немного изучил машинное обучение и получил очень глубокое понимание.

Теперь я задаюсь вопросом: разумно ли использовать алгоритм машинного обучения для оптимизации параметров SExtractor, когда единственный способ оценить производительность или качество параметров - это конечная статистика прогона анализа (который занимает как минимум час на моей машине), и есть более 6 параметров, которые влияют на статистику.

В качестве примера я включил две разные версии статистических данных, которые я имею в виду, выполненные из немного разных версий параметров Sextractor. Красная линия в левом изображении является медианным значением стандартного отклонения (как и должно быть). Синяя линия - медиана стандартного отклонения, когда я получаю их. На правильных изображениях отображаются различия объектов в 2 наборах данных.

Я знаю, что это очень конкретный вопрос, но поскольку я новичок в механическом обучении, я не могу судить, возможно ли это. Так что было бы здорово, если бы кто-нибудь мог мне предложить, если это бессмысленное усилие и указать мне вправо.

Answer 1

Вы можете попробовать образованное предположение, основанное на данных, которые у вас уже есть. Вы пытаетесь оптимизировать параметры таким образом, чтобы средняя стандартного отклонения имела желаемое значение. Вы можете предположить различные модели и попытаться оценить параметры на основе модели и оценочных данных. Но я думаю, что у вас должно быть хорошее понимание машинного обучения. С хорошим я имею в виду курс бакалавриата.