我应该使用什么机器学习算法？ [关闭]

Question

我正在尝试编写一个算法来估计我所知道的系统的物体质量。

我的数据是 x 和 y 点的形式，所以我可以将它们表示为多个 x 和 y 点，或者通过表示 x 和 y 点的平均值和偏差来表示为分布。这可能取决于算法的参数。

我不需要分类器，我正在寻找数值估计。

例如，x 值：{1,2,3,...}，y 值：{1,2,3,...} -> 质量：5， 或 x 值：{2 (mean), 1 (std)} y: {2,1} -> 5

我对机器学习很陌生，分类器似乎不是解决这个问题的方法，而且我查找的回归学习算法似乎试图估计参数，而不是结果。

我也打算用 Python 做这个，但我不需要包什么的，通用算法应该能让我走上正轨。

编辑以响应 blubb

我的数据以一组 x 点、一组 y 点和一个质量的形式给出。 例如，

x values   |   y values   | mass
--------------------------------
1 2 3 4    |   1 2 3 4    | 6.7
2 3 4 5    |   2 3 4 5    | 7.9

我会收到一个输入，例如：

x values   |   y values
-----------------------
5 6 7      |   8 9 10

另一种讨厌它的方式（可能在向量空间方面很聪明）是用它们的手段和标准来表示这些值，所以我的训练数据会变成：

x mean | x std | y mean | y std | mass
--------------------------------------
2.5    | 1     | 2.5    | 1     | 6.7
3.5    | 1     | 3.5    | 1     | 7.9

这些显然不是真正的价值，而是具有代表性的例子。 （所有值都是浮点数）

Answer 1

您正在寻找估计函数f: R² -> R，因此回归是您应该研究的方法系列。然而，哪种回归很大程度上取决于(x, y) 和mass 之间的关系。

一般来说，回归方法定义了一个成本函数c: R² x F -> R+ 和一组可供选择的函数F。通常集合F 是无限的并且以某种形式参数化。这使得大多数回归方法都存在估计确定最佳f 的参数的问题（您称之为“估计参数”）。

为了确定哪种回归方法最合适，您必须找出以下几点：

• 什么是有意义的成本函数c？
• 如何选择F的函数集？

例如，线性回归选择线性最小二乘成本函数并将定义F 设置为所有线性函数f: R² x R 的集合。这可能是也可能不是您想要的，具体取决于您的设置。

因此，解释可以确定三元组(x, y, mass) 的实验设置可能有助于阐明这一点。