[問題] 如何用ML調整實驗參數驗參數

看板DataScience作者 (明日幸福今日修)時間2年前 (2021/06/09 14:42), 2年前編輯推噓2(2012)
留言14則, 6人參與, 2年前最新討論串1/1
作業系統:(ex:mac,win10,win8,win7,linux,etc...) mac and win10 with anaconda 問題類別:(ex:ML,SVM,RL,DL,RNN,CNN,NLP,BD,Vis,etc...) ML and DL 使用工具:(ex:python,Java,C++,tensorflow,keras,MATLAB,etc...) python 問題內容: 大家好 小弟目前在自學python 跟ML 工作上希望能利用ML協助調整實驗參數 目前想找相關的實際例子來學習 但不太確定關鍵字或是相關的例子怎麼找 希望前輩們能提示 工作上 一個實驗控制的參數 有 x1 x2 x3...xn 輸出的指標可以做成一個 曲線 比如 Y vs T (比如多少溫度 就產出多少東西) 進行了許多次實驗還是條不到好的曲線 想詢問是否可以藉由模型跟期望的Y vs T曲線 來得到推薦的[x1, x2,...xn]? 自己本來想的是 每次實驗的輸入輸出資料整理成下面的結構 (Y1,Y2...Ym) and (T1, T2 ....Tm)畫出的曲線就是實驗指標 [ ]i i=第i次實驗 x1..xn 每次實驗有n個參數 Y1 T1...Ym Tm 輸出成果曲線有m個點 input output [x1 x2...xn]1 [Y1 T1]1 [x1 x2...xn]1 [Y2 T2]1 [x1 x2...xn]1 [Y3 T3]1 [x1 x2...xn]1 [Y4 T4]1 . . . . . . [x1 x2...xn]1 [Ym Tm]1 [x1 x2...xn]2 [Y1 T1]2 [x1 x2...xn]2 [Y2 T2]2 [x1 x2...xn]2 [Y3 T3]2 [x1 x2...xn]2 [Y4 T4]2 . . . . . . [x1 x2...xn]2 [Ym Tm]2 . . . . . . 之後拿去用NN來train 可是這樣好像只能由輸入預測輸出 但不知道如何反向由一個假定的Y vs T 來得到推薦的[x1 x2...xn] 可能問得有點亂 希望前輩能指點 謝謝 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 140.109.217.28 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/DataScience/M.1623220942.A.25E.html

06/09 15:20, 2年前 , 1F
參考一下「實驗設計」或是「作業研究」能否解決你的問題
06/09 15:20, 1F

06/09 15:21, 2年前 , 2F
不過我回答的不是 ML 的路線,抱歉惹
06/09 15:21, 2F
※ 編輯: nanokevin (140.109.217.28 臺灣), 06/09/2021 15:36:51

06/09 17:50, 2年前 , 3F
[x1 x2...xn]1 [Y4 T4]1
06/09 17:50, 3F

06/09 17:51, 2年前 , 4F
[x1 x2...xn]2 [Y4 T4]2
06/09 17:51, 4F

06/09 17:52, 2年前 , 5F
[ ]外的1跟2是什麼?
06/09 17:52, 5F

06/09 18:23, 2年前 , 6F
第m次實驗吧
06/09 18:23, 6F

06/09 18:25, 2年前 , 7F
更正 我猜是第m組實驗參數
06/09 18:25, 7F

06/09 21:01, 2年前 , 8F
對 是didi大的補充 抱歉沒有描述清楚
06/09 21:01, 8F
※ 編輯: nanokevin (140.109.217.28 臺灣), 06/09/2021 21:03:56

06/09 23:14, 2年前 , 9F
reinforce learning
06/09 23:14, 9F

06/10 02:30, 2年前 , 10F
看看可不可以先用regression model去fit你的Y vs T曲線
06/10 02:30, 10F

06/10 02:32, 2年前 , 11F
之後再用你X當成input, regression coef當成output訓練
06/10 02:32, 11F

06/10 02:32, 2年前 , 12F
一個Neural net模型
06/10 02:32, 12F

06/12 09:49, 2年前 , 13F
關鍵字可以搜尋meta learning,讓模型學會一個找最佳超
06/12 09:49, 13F

06/12 09:49, 2年前 , 14F
參數的演算法
06/12 09:49, 14F
文章代碼(AID): #1Wm6BE9U (DataScience)
文章代碼(AID): #1Wm6BE9U (DataScience)