如何使用机器学习进行反向预测？

Question

我对机器学习很陌生，但我希望解决以下问题。这是一种反向预测。 我有很多输入，因此每条记录都有一个输出。所以我可以轻松地进行分类并预测一组未知新数据的输出。 我想解决的问题是获取一个预期结果，然后对输入数据集进行分类，最终以非常高的概率达到预期的定义输出。

为了使问题更复杂，我希望能够灵活地定义一些可能不可更改的输入标准 j（例如男性/女性）并添加这些标准（如过滤器）并获得新的 Revers 预测 - 什么会是除了给定输入之外最相关的重要输入，以最终获得预期和定义的结果。

举个例子：我有成千上万的学生记录，包括教育等，以及他们在 10 年的工作经验后是否赚取正常或极端金钱的信息。因此，如果我是一名新生，我可以根据我的教育、性别、学位年龄、我正在学习的内容等来预测我是否会赚很多钱或平均收入。 鉴于我是男性并且在学位时有一个预期的年龄，我想得到什么，我应该学习什么才能获得极高的收入？

Answer 1

这个问题没有唯一的或最优的解决方案，尽管它可以通过多种方式解决，IMO。

要理解的关键事实是，从向量输入到标量/分类输出的信息丢失了。这不是“可逆”或“可逆”转换，因为多个且非常不同的输入向量可能导致相同的输出值，从而稀释了信息分量。

也就是说，该问题的一个可能的攻角是对输入向量进行聚类，为每个输出值获得几个相关的聚类。然后，您可以提取这些输入聚类中心，并检查导致预期结果的这些原型值是什么。这样，您将获得所需的反向“输入兴趣点”。