这是什么类型的机器学习？从池中重复选择 1 个正确候选者（或无）的算法

Question

我有一组 3-5 个黑盒评分函数，它们为候选人分配正的实值分数。

每个人在将最佳候选人排名最高方面都不错，但他们并不总是同意 - 我想找到如何将分数组合在一起以获得最佳元分数，以便在一组候选人中，具有最高元分数的人通常是实际的正确候选人。

所以它们是普通的R^n 向量，但每个维度对于正确的候选者来说往往具有更高的价值。天真地我可以将组件相乘，但我希望有一些更微妙的东西可以从中受益。

如果最高分太低（或者两个最高分太接近），我就放弃并说“无”。

因此，对于每次试验，我的输入是一组这些分数向量，输出是哪个向量对应于实际正确答案，或者“无”。这有点像技术面试，一群候选人被几个可能有不同意见的人面试，但总的来说，每个人倾向于选择最好的候选人。我自己的应用程序有一个客观的最佳候选人。

我想最大限度地提高正确答案并尽量减少误报。

更具体地说，我的训练数据可能看起来像许多实例

{[0.2, 0.45, 1.37], [5.9, 0.02, 2], ...} -> i

其中 i 是输入集中的第 i 个候选向量。

所以我想学习一个函数，该函数倾向于从输入中最大化实际最佳候选人的得分向量。没有最好的程度。这是二元对或错。但是，它看起来不像传统的二元分类，因为在一组输入向量中，最多可以有 1 个“分类”为正确，其余为错误。

谢谢

Answer 1

您的问题不完全属于机器学习类别。乘法方法可能效果更好。您还可以为输出函数尝试不同的统计模型。

ML，更具体地说是分类问题，需要训练数据，您的网络可以从中学习数据中的任何现有模式，并使用它们将特定类分配给输入向量。

如果你真的想使用分类，那么我认为你的问题可以归入 OnevsAll 分类的范畴。您将需要一个网络（或仅一个输出层），其单元格/sigmoid 单元的数量等于您的候选者数量（每个代表一个）。请注意，这里您的候选人数量将是固定的。

您可以使用整个候选向量作为网络所有单元的输入。可以使用 one-hot 编码指定输出，即 00100 如果您的候选人没有。 3 是实际正确的候选者，如果没有正确的候选者，输出将为 00000。

为此，您需要一个包含候选向量和相应的实际正确候选的大数据集。对于这些数据，您将需要一个函数（再次像乘法一样），或者您可以自己分配输出，在这种情况下，系统将学习如何在给定不同输入的情况下对输出进行分类，并以与您相同的方式对新数据进行分类。这样，它将最大化正确输出的数量，但此处正确的定义将是您对训练数据进行分类的方式。

您还可以使用不同类型的输出，其中输出层的每个单元格对应于您的评分函数，并且 00001 表示您选择的第 5 个评分函数的候选者是正确的。这样你的候选人就不必被固定了。但同样，您必须手动设置训练数据的输出以供网络学习。

OnevsAll 是一种分类技术，其中输出层中有多个单元，每个单元在其中一个类与所有其他类之间执行二元分类。最后，概率最高的 sigmoid 被分配为 1，其余为 0。

一旦您的系统了解了如何通过训练数据对数据进行分类，您就可以输入新数据，它会以相同的方式为您提供输出，例如 01000 等。

希望我的回答能帮到你。:)