“再学习”参数
“再学习”参数
提问于 2015-10-12 13:30:09
如果这是重复的，我很抱歉。我真的不知道要搜索什么才能找到一个重复的答案！
我们正在研究一个系统，以提供音乐反馈，以改变一个主题的“情绪”。我们可以操纵音乐的许多参数。
同时，我们测量了这一学科的生理学。我正在使用动态贝叶斯网络合理地准确地确定对象的挫折感程度。
我正在寻找一种方法，基于挫折感的程度，告诉音乐生成机制“这组参数是有效的”，或者没有。然后音乐参数会自动地和迭代地调整，因为我们继续判断被试的沮丧程度。
我很感激我能得到的任何建议！请让我知道，如果我可以提供任何澄清！
回答 2
Data Science用户
发布于 2015-11-13 13:40:09
这可以看作是一个主动学习问题。你希望从学习过程中得到反馈，以影响你下一次培训什么样的输入例子。在大多数情况下，主动学习仍然是一个困难的问题。
正如@cohoz指出的那样，爬山在这种情况下是一种直观的选择，但前提是你总是想增加或减少你的挫折感。相反，如果目标是尽可能多地探索音乐参数特征空间的功能，那么您将希望阅读关于积极学习和不确定性的文章。
Data Science用户
发布于 2015-10-12 16:33:04
一种基本的方法是爬山算法来搜索局部最优。
这在一定程度上取决于空间的复杂性(例如凸性:理论上这会发现局部最优，但也会更实际地考虑空间的大小/维数，以及易于指定相邻点和挫折测量的精度/精度)。
这也回答了一个略有不同的问题:接受标准“这套参数是有效的”似乎与你定义的某种“挫折”阈值相关联，而不是简单地说是一个“尽量减少与这些参数有关的挫折功能”的过程，尽管人们可以把后者看作是对前者进行迭代调整的方式。
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/8401
复制相关文章
相似问题
腾讯云开发者
