Algorithm 识别成功概率组合的算法

1） 假设我有300个模型和200种不同的设置来预测 基于全球GDP、外汇、竞争对手增长、新产品发布、即将推出的产品和许多其他条件，X项在市场上的月度销售额

2） 这些模型评估过去一个世纪每个月的销售额，并更新数据库中的条目。比如说，在DB中，我们有列模型名称、设置、考虑的因素、成功概率

3） 由于对过去的数据进行了数据评估，因此模型成功/失败百分比 可在数据库中识别和更新。比如说，X型个人电脑3月份销量增长10%的概率是0.8%

4） 然而，没有一个模型是完美的（概率为1），考虑到它所考虑的因素，每个模型在一定程度上都是真实的。假设一个模型考虑GDP，而另一个模型考虑汇率，另一个模型考虑该行业的新产品增长

5） 将所有因素考虑到一个模型中是非常复杂、非常混乱、耗时的，而且所有组合的测试时间都是痛苦的（

6） 最明智的决定是使用基于模型的数据组合。比方说，如果X型概率为0.7，Y型概率为0.8。然后评估这些数据的过去组合，并得出一个现实的数字来估计未来的概率。
在本例中，我只考虑了2个模型，但在实时情况下，组合可能超过5000个

7） 然而最悲哀的是，我无法推断出任何编程逻辑如何实现这一点？如有任何建议/参考，我们将不胜感激。在编写任何编程参考时，读者可以自由考虑C/C++／爪哇／C语言。p> 请注意，这个问题可能被认为是背包问题的一个扩展

请你不要投反对票。这个问题似乎是以循环的方式提出的，但并非如此。如果您觉得其中任何部分没有组织或需要详细说明，请进行相应的评论。多谢各位

寻求澄清

设置和考虑因素之间的差异？

让我最好用一个例子来说明这些差异。 比如说，一个模型X计算出麦当劳汉堡每月销售额的增减

考虑的因素

模型X考虑了以下因素

考虑的一个因素可能是进入市场的新品牌数量 现成的食物空间

当月的假日数。更多的假期，更多销售的可能性，反之亦然

这些指标可直接从其他来源或机构获得，精确度更高。这些被认为是一个重要因素

设置

但是，无法直接获取所有信息。但我们根据过去的数据预测这些值。在我们进行预测时，我们得到了多个输出

假设过去5年一个月的通货膨胀率为0.2% 但以过去3年为基础的一个月通胀率为0.4% 但基于过去1年，一个月的通胀率为0.1% 我们不能只考虑长期统计数据，或者只能考虑短期统计数据。记住，一切都是循环的。 失业率、儿童人口百分比等情况也可能如此

根据0.2%、0.4%和0.1%的通货膨胀值对数据进行评估。这三个参数被视为模型的设置，并进行所需的预测

---

现在，我们有来自确定来源和预测因素的模型值。但哪些组合经常起作用？这些组合可能包括来自20或100个模型的数据。每个模型可能有2个或20个设置

你能澄清一下“设置”和“考虑因素”之间的区别吗？也是为了验证我的理解，6是指你想根据N个模型的概率计算出最佳权重，还是基于N个其他模型建立一个新模型？相应地修改了问题，以回应你的评论。最后一段谈到这一点。谢谢。没想到堆栈溢出会有如此糟糕的反应：（。伙计们，请提出一些建议。没问题。给我一些想法。你能澄清一下“设置”和“考虑因素”之间的区别吗？也是为了验证我的理解，#6是指你想根据N个模型的概率计算出它们的最佳权重，还是基于N个其他模型建立一个新模型？相应地修改了问题，以回应你的评论。最后一段提到了这一点。谢谢。没想到堆栈溢出会有如此糟糕的反应：（.伙计们，请提个建议。没问题。给我个主意。