Fatal编程技术网
  • machine-learning/
  • Machine learning 为什么模型不能学习这个填充整数的游戏

Machine learning 为什么模型不能学习这个填充整数的游戏

machine-learning scikit-learn artificial-intelligence

Machine learning 为什么模型不能学习这个填充整数的游戏,machine-learning,scikit-learn,artificial-intelligence,random-forest,Machine Learning,Scikit Learn,Artificial Intelligence,Random Forest,我的问题：为什么我的模型没有学会玩这个游戏，从一个部分填充的数组生成一个从1到5的唯一元素数组 === 我正在尝试培训一名模型来执行此任务： 给定一个由5个元素组成的固定数组，每个元素最多由（1、2、3、4、5）中的一个元素和一个或多个（0）组成，将0替换为适当的值，以便最终数组正好有一个元素（1、2、3、4、5）。 所以，这里是它应该如何发挥： [1,2,3,4,0]=>[1,2,3,4,5] [4,3,0,5,1]=>[4,3,2,5,1] [0,3,5,4,0]=>[2,3,5,4,1]

我的问题：为什么我的模型没有学会玩这个游戏，从一个部分填充的数组生成一个从1到5的唯一元素数组

===

我正在尝试培训一名模型来执行此任务：

给定一个由5个元素组成的固定数组，每个元素最多由（1、2、3、4、5）中的一个元素和一个或多个（0）组成，将0替换为适当的值，以便最终数组正好有一个元素（1、2、3、4、5）。

所以，这里是它应该如何发挥：

  • [1,2,3,4,0]=>[1,2,3,4,5]
  • [4,3,0,5,1]=>[4,3,2,5,1]
  • [0,3,5,4,0]=>[2,3,5,4,1]或[1,3,5,4,2]
这不是一个复杂的游戏（在人类的意义上），但我想看看模型是否能够识别规则（用1到5替换0，这样最终的数组只有（1，2，3，4，5）中的一个元素）

我这样做的方式是：

  • 生成N个组合配置示例，其中[1,2,3,4,5]元素作为答案，并随机将其中一些元素替换为0
  • 例如，一个训练示例是[（0,3,5,4,0），（2,3,5,4,1）]
  • 可以有多个相同的输入映射到不同的输出，即[（0，3，5，4，0），（2，3，5，4，1）]和[（0，3，5，4，0），（1，3，5，4，2）]都可以作为两个单独的训练实例出现
  • 使用Scikit Learn中的RandomForestClassifier将训练数据集分离10倍、洗牌和训练
  • 正确的输出定义为最终配置数组正好有（1、2、3、4、5）中的一个元素。所以（2，4，4，5，1）是无效的
===

令人惊讶的是，使用1000个、10000个、50000个甚至100000个训练示例仍然会导致模型只获得约70%的测试用例正确-这意味着模型没有学会如何使用越来越多的训练示例玩游戏

我在想的一件事是，RandomForestClassifier不用于这种类型的问题，称为结构化机器学习，其中输出不是单个类别或实值输出，而是输出向量

更多问题：

  • 为什么模型没有学习到这一点 游戏
  • 这是正确的建模方法吗 这个问题
  • 数据还不够吗 学习这个任务？但是增加 1000到100000之间的数据不适用 看起来很有帮助
谢谢大家!

我确实认为这只是一个思维练习，而不是实际问题，因为显然，在这样的任务中，基于集合的解决方案比任何ML技术都要好

简而言之-因为分类器/回归器不适用于组合优化。您的问题有非常强的约束-只有极少数值是“正确的”和“可观察的”，您查找的是输出的属性，而不是值。这些不是分类或回归的设置

你能做什么

  • 在这种受限的情况下，您必须让您的方法了解正在发生的事情。显示一个状态空间。这是简单状态空间AI的一个例子，而不是ML本身——而是任何亚优化，如爬山、模拟退火、ga等
  • 看看一般的游戏玩法，这在某种程度上是相似的，但重要的区别是你提供了一套规则
  • 看看像神经图灵机这样的东西，这些是试图学习如何操作数据而不是分类/回归的顺序方法
一般来说，当人们试图学习机器学习时，这是一个非常常见的错误概念。并非每个问题都适合“仅仅应用”已知的ML技术。“存在”的大多数问题都需要研究人员的大量投入才能发挥ML的力量。

我确实认为这只是一个思维练习，而不是实际问题，因为显然，在这类任务中，基于集合的解决方案比任何ML技术都要好

简而言之-因为分类器/回归器不适用于组合优化。您的问题有非常强的约束-只有极少数值是“正确的”和“可观察的”，您查找的是输出的属性，而不是值。这些不是分类或回归的设置

你能做什么

  • 在这种受限的情况下，您必须让您的方法了解正在发生的事情。显示一个状态空间。这是简单状态空间AI的一个例子，而不是ML本身——而是任何亚优化，如爬山、模拟退火、ga等
  • 看看一般的游戏玩法，这在某种程度上是相似的，但重要的区别是你提供了一套规则
  • 看看像神经图灵机这样的东西，这些是试图学习如何操作数据而不是分类/回归的顺序方法
一般来说，当人们试图学习机器学习时，这是一个非常常见的错误概念。并非每个问题都适合“仅仅应用”已知的ML技术。“外面”的大多数问题都需要研究人员的大量投入才能发挥ML的力量。

非常好，但我想我应该补充一点直觉，解释一下随机森林在这种情况下失败的原因

你必须记住，机器学习并不是向计算机传授智能的神奇方式；这只是一种将特定模型与数据拟合并使用该模型进行归纳的方法。正如那句老话所说，“所有的模型都是错误的，但有些是有用的”。你偶然发现了一个例子，模型和往常一样是错误的，但也碰巧是无用的