Optimization 基于机器学习的功能参数标定

我有一个函数F[bool]=F（数据集，tresh1，tresh2）， 它将输入一个数据集和一些参数，例如，示例2 treshold值-tresh1 e tresh2-，并返回一个布尔值：如果数据集为“良好”，则返回1，否则返回0。答案当然取决于tresh1和tresh2的值

假设我有100个可用的数据集，我知道哪些是好的，哪些不是。我想“训练”我的函数F，也就是说，教它一些值tresh1_uu和tresh2_u，这样F（DATASET，tresh1_uu，tresh2_u）对所有（或大部分）数据集返回“true”，对其他wize返回“good”和“false”

我希望F（DATASET_u1，tresh1，tresh2），其中DATASET_2是一个新的（不同于之前的100），如果DATASET_2真的“好”，则返回true

我可以把这个问题看作是一个聚类问题：对于训练集中的每个数据集，我选择random tresh1和tresh2，并标记哪些值确保F返回正确的值，哪些不返回。因此，我选择了一个区域，其中tresh1和tresh2值为“良好”。 这是一个好方法吗？有更好的吗

---

一般来说，在我看来，这似乎是一个“参数校准问题”。是否存在一些经典的技术来解决这个问题？

你想做的通常被称为

有关详细信息，请参阅维基百科文章。常用的方法是执行网格搜索，除非可以计算函数F的导数

---

这是一种搜索方法；它通常用于机器学习以优化性能，但它本身不是“机器学习”算法。

谢谢！一个相关的关键概念是SVD（支持向量机），非常有趣。不，SVM不是一个相关的关键概念，而是一个用例。支持向量机（不是支持向量机）有多个参数需要选择好的性能。。。奇异值分解（SVD）是另一回事。