具有适应度分数的机器学习算法
Machine learning algorithm with fitness score
我不确定这是否适用于 Whosebug or Programmers，但由于它更倾向于实施，所以我在这里问。
我正在寻找一种算法，它可以采用 n 输入（所有浮点数）并产生 m（所有浮点数；m < n）输出。然后可以使用某种适应度分数来训练该系统，以了解输入和输出之间的相关性。
用于此目的的最佳算法是什么？
一点上下文：
我想使用机器学习而不是自己发明的算法，因为我不知道数据之间的（完全）相关性，我知道机器学习算法的结果是否好，并从那里进行训练。
我有几个变量要传递，例如：
- 只有我知道的信息(信心
0-1)
- 所有人都知道的关于我的信息（资源和以前的成就
0-1）
- 我正在调查的人的风险状况（分别基于其他玩家
0-1）
- 我正在调查的人的行为档案（分别基于其他玩家
0-1）
- 我正在查看的玩家拥有的资源(分别
0-1)
- 玩家总数（基于允许的最大玩家数
0-1）
- 结果预测（偏差
0-1）
输出应该是：
- 要采取的行动（从 "do nothing" 到 "act quickly"
0-1）
- 要采取的行动数量（从 "not a lot" 到 "the most you can do"
0-1）
我有非常大的数据集可以处理，所以理想情况下建议的算法也可以持久化。
我见过像 Artificial Neural Networks 这样的算法，但这些算法不允许使用适合度分数，因为它们需要将输入和输出耦合在一起。我无法提供，我只能计算这些数字正确的可能性（健身分数 – 设计永远不会 >= 1）
从描述来看，它看起来像是 reinforcement learning 的经典问题，其中您确实有一些代理执行操作（这里定义为操作+强度，但这仍然是一个操作），它改变了一些内部状态代理并获得（至少在某个时候）奖励。
有很多方法可以从您的环境中学习好的策略（选择特定操作的规则），包括（但不限于）：
- Q-learning
- MDP（马尔可夫决策过程）
- Monte carlo 方法
我不确定这是否适用于 Whosebug or Programmers，但由于它更倾向于实施，所以我在这里问。
我正在寻找一种算法，它可以采用 n 输入（所有浮点数）并产生 m（所有浮点数；m < n）输出。然后可以使用某种适应度分数来训练该系统，以了解输入和输出之间的相关性。
用于此目的的最佳算法是什么？
一点上下文： 我想使用机器学习而不是自己发明的算法，因为我不知道数据之间的（完全）相关性，我知道机器学习算法的结果是否好，并从那里进行训练。
我有几个变量要传递，例如：
- 只有我知道的信息(信心
0-1) - 所有人都知道的关于我的信息（资源和以前的成就
0-1） - 我正在调查的人的风险状况（分别基于其他玩家
0-1） - 我正在调查的人的行为档案（分别基于其他玩家
0-1） - 我正在查看的玩家拥有的资源(分别
0-1) - 玩家总数（基于允许的最大玩家数
0-1） - 结果预测（偏差
0-1）
输出应该是：
- 要采取的行动（从 "do nothing" 到 "act quickly"
0-1） - 要采取的行动数量（从 "not a lot" 到 "the most you can do"
0-1）
我有非常大的数据集可以处理，所以理想情况下建议的算法也可以持久化。
我见过像 Artificial Neural Networks 这样的算法，但这些算法不允许使用适合度分数，因为它们需要将输入和输出耦合在一起。我无法提供，我只能计算这些数字正确的可能性（健身分数 – 设计永远不会 >= 1）
从描述来看，它看起来像是 reinforcement learning 的经典问题，其中您确实有一些代理执行操作（这里定义为操作+强度，但这仍然是一个操作），它改变了一些内部状态代理并获得（至少在某个时候）奖励。
有很多方法可以从您的环境中学习好的策略（选择特定操作的规则），包括（但不限于）：
- Q-learning
- MDP（马尔可夫决策过程）
- Monte carlo 方法