我应该用哪种机器学习来解决优化问题？
我有一个问题，我想应用机器学习。为此目的，我一直在学习这个主题，并遇到了监督的，无监督的，半监督的机器学习技术。
我知道我想要解决的问题，所以没有监督的机器学习似乎不合适，因为根据我的理解，当我们不知道我们在寻找什么时，它就会被使用。
但我也没有预先标注的数据集，因为我们自己也不知道我们是否处于最佳水平。
基本上，我们要优化利润，我们可以选择调整某些参数。举个例子，假设我们想要ML算法来找到能够优化利润的产品的价格。
我能在这里申请什么样的ML？您有推荐的框架吗？任何一本我能读懂的书(到目前为止我提到的书都给出了分类的例子)？
增加更多的上下文：-实际的问题是如何平衡物流网络。有多个仓库和送货服务提供商(DSP) (DHL，GLS等)。我们有一些参数来定义我们要向哪个仓库/DSP发送订单(打包和交付)。我们想找出能产生利润的最优参数。我们已经处理了数据，可以对算法进行训练和验证。但是我们不知道当前的参数是否正确，所以我假设用我们拥有的数据来训练算法并不能给出最优的解决方案(因为标记的目标，即获得的利润可能不是最优的)。
通过这个具体的算法，我们试图找出一个给定订单的最佳仓库/DSP组合。虽然我们希望将包裹发送到最便宜的仓库/DSP选项，但最便宜的仓库/DSP可能已无能力(受仓库人力或特定DSP订购卡车数量的限制)，在这种情况下，我们可以选择将订单发送到非最便宜的仓库，或在第二天发送订单。使用此解决方案，我们不打算优化其他任何东西(即优化库存存储/存储成本等)。我们的目标是最大限度地利用仓库/卡车的容量。我不需要一个完整的解决方案，但是我可以参考的几个关键字/概念/位置就足够了。
PS：我只想给出一个简单的/类似的例子，这样我就可以得到一些关键字，框架，书籍来进一步学习。
回答 3
Data Science用户
发布于 2018-07-26 10:24:56
您没有现有的数据，其中您提到的参数已被调整，然后您有结果的利润？
如果您没有任何预先标记的数据，那么您将发现这是非常困难的，因为NN将没有什么可借鉴的。NNs可以从您所提供的信息、输入和相应的输出中学习，或者通过对值进行实验，然后使用这些输出的结果作为标签/目标来学习。
Data Science用户
发布于 2018-07-26 16:09:57
对函数进行优化的一个常见方法是使用进化算法(如遗传算法)模拟具有不同参数的个体，并对其性能进行评估。问题是，您必须有一种方法来模拟性能的评估，这在您的情况下似乎是不可行的。
然而，有许多技术选择应该模拟哪些个人来执行评估，以便最小化评估，这样就可以手工执行，也可以通过昂贵的计算过程执行。
特别是，我指的是金教授的著作(谷歌学者简介)。他写了一个2003年年“进化计算中的适应度近似综合调查”专题综述 (应该是免费的)，最近他一直致力于代理功能，以帮助个人选择过程。
你也会发现在他的工作中提到高斯过程(GP)。我认为图8的文件“基于高斯过程的多目标进化算法，基于逆建模”(2015)给出了一个很好的可视化表示。其主要思想是利用逼近误差的最小化和所选个体适应度的最大化来选择个体。
如果你想保持简单，你根本不能使用EAs，而只是使用GP加视觉辅助，因为您的问题是单一目标(仅优化利润和利润)。
https://datascience.stackexchange.com/questions/36041
复制相似问题
腾讯云开发者
