Machine learning 什么样的神经网络学习适合这种情况？（或者应该使用其他ML？）

（我对ML和ANN很陌生）

不幸的是，我找不到以下场景的学习方法。我确信这主要是因为我还不知道一些术语，所以我的谷歌搜索并没有它们可能的那么有效

我有一个训练集，但只有输入。无法准确确定特定输入集的理想输出。（这叫无监督吗？）

然而，神经网络的期望和学习目标非常明确，但只能统计确定训练集中的许多（比如说所有）输入，它是一个数字，而且越高越好

假设有一个神经网络，有10个输入，4个输出。我有100个训练样本，希望训练NN生成更高的Sum1到100（GoalFunc（o1，o2，o3，4）），它只能对100个样本进行计算，并且对一个样本没有意义。（这是否仍被称为无监督？）

我发现的一个解决方案是将神经网络和遗传算法相结合，并将神经网络权重作为染色体来实现。在每一个时代之后，评估Sum1到100并进化种群。如果最好的染色体表现足够好，那么选择它

有没有其他方法来训练我的神经网络

……或者

---

是否有其他方法（非NN）适合此场景？

未标记数据通常与聚类算法一起使用。此外，神经网络不能很好地处理如此小的数据集——经验法则是，如果你没有至少10000个样本，就使用NNs以外的算法。这是一个使用遗传算法而不是神经网络的教科书示例。遗传算法是一种优化技术，神经网络用于分类或识别模式。除了结合两者的解决方案外，您还可以尝试纯GA方法。