Могу ли я использовать модель машинного обучения в качестве целевой функции в задаче оптимизации?

Question

У меня есть набор данных, для которого я использую пакет машинного обучения Sklearn Decision Tree, чтобы построить модель для целей прогнозирования.Впоследствии я пытаюсь использовать пакет scipy.optimize для поиска минимизированного решения на основе данного ограничения.Однако я не уверен, смогу ли я взять модель дерева решений в качестве целевой функции для задачи оптимизации.Каким должен быть подход в такой ситуации?В прошлом я пробовал модели линейной регрессии, такие как LarsCV, и они работали очень хорошо.Но в модели линейной регрессии вы можете по существу извлечь коэффициенты и точку перехвата из модели.

Answer 1

Да;Линейная регрессионная модель - это прямолинейная линейная функция коэффициентов (одним из которых является «перехват» или «смещение»).

Теперь у вас есть проблема в том, что более сложная модель нене все так просто.Вам необходимо загрузить модель в соответствующий двигатель.Чтобы «вызвать» модель, вы передаете этому механизму входной вектор (родственный список аргументов) и ждете, пока модель вернет прогноз.

Вам нужно обернуть этот процесс в вызов функциивозможно тот, который выдает загрузку и обработку модели в виде внешних команд системы / оболочки и возвращает результаты в вашу основную программу.Некоторые приложения достаточно велики, поэтому имеет смысл реализовать полнопоточный поток данных с прослушивателем и репортером для обработки пропускной способности.

Это заставляет вас двигаться?