最合适的AI参数加权？

Question

我有这种形式的数据：

[(v1, A1, B1), (v2, A2, B2), (v3, A3, B3), ...] 

的v小号对应于数据元素和A S和B s至数值表征v秒。

查看此数据的人可以查看它，并根据A和B值查看哪个元组似乎是最佳“匹配”。我想要一种AI的形式，我可以通过选择这些元组中的一个作为最佳来训练，并且将调整给予A和B的权重。

基本上，每个元组表示一个近似值。 A表示错误，B表示每个近似的复杂度。我希望通过分配不同的权重来在错误和复杂性之间做出妥协。我想用不同的近似值进行几次试验，并选择我认为看起来最好的试验，并让AI相应地调整权重。

Answer 1

您所描述的内容也被称为model selection问题，这是机器学习和统计中经常遇到的问题。你基本上有一些模型可以通过一些好的度量来适合你的数据（通常用误差或对数似然度量），这些模型有一些复杂度度量（通常是模型中的参数数量）。你想选择最合适的模型，并惩罚其复杂性，因为这可能是overfitting的标志。

通常情况下，过度拟合会影响你的程度是由数据大小决定的。但也有一些措施，明确允许您权衡模型健康和复杂性：

• Akaike information criterion
• Bayesian information criterion
• Regularization

请根据您的数据，上述可促使模型模型选择的数据。因此，这通常使用validation set and then evaluated on a test set来完成。

我不知道你的算法是否能解决这个问题是一个很好的方法。通常它取决于你的数据和一定程度的直觉。在我看来，你描述的元机器学习技术可能不会太可靠。最好先从一些更原则和更简单的想法开始。