根据输入向量选择多个离散参数的算法

Question

我面临以下问题：给定 k 维空间中的一个点，选择一组离散参数以最大化正（二进制）结果的概率。我有相同形式的培训示例，例如

    point       parameters    good?
    ------      ----------    -----
1)  x1 x2 x3    p1 p2 p3      NO
2)  x1 x2 x3    p1 p2 p3      YES
3)  x1 x2 x3    p1 p2 p3      YES
    ...etc.

所有参数都是自由变量，并且有任意数量的参数（k也是任意的）。我考虑过

生成点的聚类，调整每个聚类
1. 的参数，然后将每个新点与聚类关联。
2. 开发一个模型来分别预测每个参数。

两者都有很大的缺点。我想知道是否有更系统的方法可以解决这个问题（似乎是一个足够普遍的问题）。谁能指出我一些相关的阅读或算法？

谢谢，如果这是问这类问题的错误地方，我提前道歉。

Answer 1

这是一个经典的分类（数据挖掘）问题，由您来选择要使用的算法。最常见的方法是：

• KNN （k-最近邻）
• 贝叶斯分类器
支持向量机
• （支持向量机）
• 决策树

您应该阅读它们并决定哪一个最适合您的问题，不幸的是，没有适用于所有域和数据的"最佳"方法。

Answer 2

您没有提到的另一种简单技术是 k 最近邻 - 在 k 维空间中找到离输入点最近的正点并复制其选择的参数。

如果您知道或能够找到更多关于 k 维空间或参数的实际含义，您可能能够利用这些知识来构建一个好的模型。