Python 训练机器学习模型预测的最优参数搜索

我已经从以下电路创建了一个ML模型

作为输入，我只使用R3和R5的值，我正在改变范围：

R3:1至5 R5:10到150，以10步为单位

我的目标值是电路的效率，测量为R5消耗的功率与V1提供的功率之比

一旦我训练了模型，我就对更大范围的值进行了预测，得到了在Z轴上具有效率的曲面：

我的问题是，给定一组，例如：

X1=1 X2=3

这导致输出预测效率为50%

我如何自动化推荐更好价值的过程，例如：

X1=1 X2=1

这样可以产生57%的效率

---

我想根据一些限制条件来做这件事，比如：在X1上只移动2个步骤，在X2上只移动3个步骤这听起来像是梯度下降之类的优化器的工作（如果您可以在PyTorch或TensorFlow等具有自动微分功能的框架中实现您的ML模型，建议您这样做）

如果基于梯度的优化器不适合您的特定功能，我建议。根据您问题中的描述，我建议以下选项：

• 遗传算法，如Python实现：
• Python实现：
• Python实现：

所有这些算法都适用于离散搜索空间，如果它们不提供用于约束搜索空间的方便API，您可以通过包装模型来解决该问题：

让您的ML模型成为一个函数：

f（x1:float，x2:float）->float

您可以编写包装函数

f_constrated

，如下所示：

def_约束（x1:float，x1:float，
x1_最小值：浮动，x1_最大值：浮动，
x2_最小值：浮动，x2_最大值：浮动）->浮动：
如果这个问题缺少很多相关信息。您使用的是哪种ML型号？哪个目标函数？您描述的过程是否仅用于生成培训集？如果有帮助的话，在我看来，这就像一个场景，一个分析解决方案可能比一个ML模型更简单，更容易实现。@torresmateo特别是ML模型是不相关的，这个解决方案应该与任何其他算法一起工作。是的，我描述的过程只是生成训练集。ML模型是否最适合解决这个问题也不是问题，我理解。关于搜索空间的限制，“步骤”是否意味着搜索空间是离散的？任何任意对（x1，x2）的函数是否可用于搜索算法？@torresmateo对，函数是连续的，但变量有物理限制，例如，因此它是离散的搜索空间，我会对其进行模拟退火（如果函数可以相当快地计算），让我知道，如果你需要一个工作的最低限度的例子