Machine learning 如何优化（最小化）机器学习模型的输出？

情况如下： A希望优化一种利用蜡生产蜡制品的工艺。对于要制造的每个产品，蜡的成分不同，工艺参数（机器配置）也不同。在此过程中，由于制造缺陷，一些物体被丢弃

我的第一个想法是创建一个有监督的机器学习模型，该模型将蜡成分和机器配置作为输入，将废弃对象的数量作为输出（我有数据可以这样做）

我的问题是：在创建该模型后，如何找到最佳工艺参数（机器配置），以最大限度地减少给定蜡成分（可能是一种新成分，以前从未见过）的浪费对象数量

一个更好的公式的问题是：

我有一个机器设置的特征向量s=[s1，s2，…，sn]，一个蜡成分的特征向量w=[w1，w2，…，wm]，对于s和w的不同组合，我有一个相关的成本J

我有一个关于不同向量s和w的训练示例数据库，成本为J

有了这些数据，我想创建一个系统，在这个系统中，我输入一个向量w，然后系统输出一个向量s，这样s就最小化了特定向量w的成本J

---

很抱歉，没有精确的公式。

我觉得这听起来像是一个线性规划问题（例如单纯形），它精确地实现了：用定义的参数最小化（或最大化）一个目标函数（在您的机器配置中）。（这与ML想法没有直接关系）

投票结束太广泛。带上一些代码，我们可以尝试提供帮助。一种常用的方法是估计一些响应面（使用统计数据），然后优化此响应函数。感谢您的回复，Luis。更好的公式的问题是：我有一个机器设置的特征向量s=[s1，s2，…，sn]，一个蜡成分的特征向量w=[w1，w2，…，wm]对于s和w的不同组合，我有一个相关的成本J。我有一个训练示例数据库，将不同的向量s和w与成本J联系起来。有了这些数据，我想创建一个系统，在这个系统中，我将输入一个向量w，系统将输出一个向量s，这样s将该特定向量w的成本J最小化。