这是什么类型的 ML？从池中重复选择 1 个正确候选人的算法（或 none）
What type of ML is this? Algorithm to repeatedly choose 1 correct candidate from a pool (or none)
我有一组 3-5 个黑盒评分函数，可以为候选人分配正的实际价值分数。
每个人都很好地将最佳候选人排名最高，但他们并不总是一致——我想找到如何将分数组合在一起以获得最佳元分数，以便在候选人池中, 元得分最高的通常是实际 correct 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），我就放弃说'none'。
所以对于每个试验，我的输入是一组这些得分向量，输出是哪个向量对应于实际的正确答案，或 'none'。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，但通常每个人 倾向于 更喜欢最好的候选人。我自己的应用程序有一个 objective 最佳候选人。
我想最大限度地提高正确答案并最大限度地降低误报率。
更具体地说，我的训练数据可能看起来像
的许多实例
{[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，它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。这是对或错的二元论。然而，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 "classified" 是正确的，其余的都是错误的。
谢谢
您的问题不完全属于机器学习类别。乘法可能效果更好。您还可以为输出函数尝试不同的统计模型。
ML，更具体地说 class化，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，并使用它们将特定的 class 分配给输入向量。
如果你真的想使用 classification 那么我认为你的问题可以归入 OnevsAll classification 的类别。您将需要一个网络（或仅一个输出层），其 cells/sigmoid 单元数等于您的候选人数（每个代表一个）。请注意，此处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格的输入。可以使用单热编码指定输出，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，您需要一个大数据集，其中包含您的候选向量和相应的实际正确候选向量。对于此数据，您将需要一个函数（再次像乘法），或者您可以自己分配输出，在这种情况下，系统将了解您如何 class 化给定不同输入的输出并将 class 化以与您相同的方式获取新数据。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如何class验证训练数据。
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，00001 表示您选择的第 5 个评分函数是正确的。这样您的候选人就不必固定。但是同样，您将必须手动设置训练数据的输出，以便您的网络进行学习。
OnevsAll 是一种 class 化技术，其中输出层中有多个单元格，每个单元格在其中一个 classes 与所有其他人相比。最后，概率最高的 sigmoid 被分配为 1，其余为零。
一旦您的系统了解了您如何通过训练数据 class 化数据，您就可以输入新数据，它会以相同的方式为您提供输出，即 01000 等。
希望我的回答对您有所帮助。:)
我有一组 3-5 个黑盒评分函数，可以为候选人分配正的实际价值分数。
每个人都很好地将最佳候选人排名最高，但他们并不总是一致——我想找到如何将分数组合在一起以获得最佳元分数，以便在候选人池中, 元得分最高的通常是实际 correct 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），我就放弃说'none'。
所以对于每个试验，我的输入是一组这些得分向量，输出是哪个向量对应于实际的正确答案，或 'none'。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，但通常每个人 倾向于 更喜欢最好的候选人。我自己的应用程序有一个 objective 最佳候选人。
我想最大限度地提高正确答案并最大限度地降低误报率。
更具体地说，我的训练数据可能看起来像
的许多实例{[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，它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。这是对或错的二元论。然而，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 "classified" 是正确的，其余的都是错误的。
谢谢
您的问题不完全属于机器学习类别。乘法可能效果更好。您还可以为输出函数尝试不同的统计模型。
ML，更具体地说 class化，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，并使用它们将特定的 class 分配给输入向量。
如果你真的想使用 classification 那么我认为你的问题可以归入 OnevsAll classification 的类别。您将需要一个网络（或仅一个输出层），其 cells/sigmoid 单元数等于您的候选人数（每个代表一个）。请注意，此处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格的输入。可以使用单热编码指定输出，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，您需要一个大数据集，其中包含您的候选向量和相应的实际正确候选向量。对于此数据，您将需要一个函数（再次像乘法），或者您可以自己分配输出，在这种情况下，系统将了解您如何 class 化给定不同输入的输出并将 class 化以与您相同的方式获取新数据。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如何class验证训练数据。
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，00001 表示您选择的第 5 个评分函数是正确的。这样您的候选人就不必固定。但是同样，您将必须手动设置训练数据的输出，以便您的网络进行学习。
OnevsAll 是一种 class 化技术，其中输出层中有多个单元格，每个单元格在其中一个 classes 与所有其他人相比。最后，概率最高的 sigmoid 被分配为 1，其余为零。
一旦您的系统了解了您如何通过训练数据 class 化数据，您就可以输入新数据，它会以相同的方式为您提供输出，即 01000 等。
希望我的回答对您有所帮助。:)