Pengenalan kepada empat kaedah yang menggabungkan pengoptimuman matematik dan pembelajaran mesin

Pengoptimuman Matematik dan Pembelajaran Mesin

Pengoptimuman matematik (atau pengaturcaraan matematik) ialah alat membuat keputusan yang berkuasa. Dengan menetapkan matlamat dan menentukan kekangan dan pembolehubah, pengoptimuman matematik boleh membantu membuat keputusan terbaik dalam keadaan dunia sebenar semasa. Ia telah membuktikan nilainya dalam pelbagai industri termasuk penerbangan, logistik, kuasa dan kewangan.

Pembelajaran mesin ialah subbidang kecerdasan buatan. Komputer boleh mengecam corak dalam data dan belajar untuk meramal masa depan Mereka boleh melakukan pengelompokan, mengesan anomali atau menjana muzik atau imej baharu. Tiga jenis pembelajaran mesin (pembelajaran diselia, tidak diselia dan pengukuhan) boleh digunakan untuk semua industri, seperti penjagaan kesihatan dan juga seni. Model pembelajaran mesin adalah mengenai kebarangkalian dan meramalkan kebarangkalian sesuatu akan berlaku

Kedua-dua pendekatan mempunyai kebaikan dan keburukan. Apabila data berubah terlalu banyak, model pembelajaran mesin menjadi tidak berguna dan model itu perlu dilatih semula atau dibina semula dari awal. Pengoptimuman matematik memerlukan penerangan matematik yang baik dan ia tidak dapat mengendalikan data tidak berstruktur seperti pembelajaran mesin. Selain itu, jika masalah menjadi terlalu besar, anda mungkin memerlukan pembetulan komersial untuk menyelesaikan masalah itu, yang mungkin agak mahal.

Sesetengah masalah lebih sesuai untuk pembelajaran mesin, manakala yang lain lebih sesuai untuk pengoptimuman matematik. Pembelajaran mesin harus digunakan apabila anda ingin menemui corak dalam data, mencari sampel data yang serupa atau meramalkan cuaca. Jika anda ingin membuat jadual, mencari lokasi optimum kemudahan atau meminimumkan kos masalah, pengoptimuman matematik ialah pilihan yang lebih baik.

Bagaimana untuk menggabungkan pengoptimuman matematik dan pembelajaran mesin?

Ia berguna untuk menggabungkan pengoptimuman matematik dan pembelajaran mesin. Mereka mempunyai kelebihan dan kekurangan yang berbeza, dan beberapa masalah terlalu kompleks untuk menggunakan hanya satu daripada dua. Mereka boleh saling melengkapi. Berikut ialah empat kaedah dan contoh praktikal cara menggabungkannya.

1. Gunakan ramalan pembelajaran mesin sebagai kekangan dalam model pengoptimuman

Pertama, anda menggunakan pembelajaran mesin untuk membuat ramalan yang digunakan sebagai input kepada masalah pengoptimuman. Anda boleh menggunakan output model pembelajaran mesin untuk menetapkan kekangan.

Contoh: Gunakan pembelajaran mesin untuk meramalkan penonton, menggunakannya sebagai input untuk mencipta rancangan terbaik yang dioptimumkan

Andaikan anda seorang saintis data untuk platform dan anda menjual ruang pengiklanan kepada syarikat lain. Pengiklan membeli masa siaran dan platform meramalkan berdasarkan pengalaman bilangan orang yang akan melihat iklan pengiklan. Sebagai saintis data, anda ingin menggunakan ruang pengiklanan anda dengan cara yang terbaik. Pertama, gunakan pembelajaran mesin untuk meramal data tontonan berdasarkan data sejarah. Kemudian, buat model pengoptimuman yang menggunakan data paparan sebagai input. Anda mengoptimumkan rancangan anda dengan melihat data. Dengan melakukan ini, anda boleh memaksimumkan keuntungan platform.

2 Gunakan keputusan pengoptimuman sebagai ciri latihan dalam model pembelajaran mesin

Berbanding dengan kaedah 1, ini adalah cara yang bertentangan: pertama model pengoptimuman membuat keputusan, dan keputusan digunakan sebagai pembelajaran mesin ciri dalam model. Dalam amalan, pendekatan ini kurang biasa kerana kebanyakan keputusan (MO) mengikut ramalan (ML). Pendekatan ini mungkin berguna dalam projek tertentu.

Contoh: Menggunakan keputusan pengangkutan dalam model pembelajaran mesin

Pengoptimuman matematik mempunyai pelbagai aplikasi dalam logistik. Jika anda menggunakan pengoptimuman untuk menentukan jumlah bekalan yang perlu dihantar dari kilang pengeluaran ke pasaran, ia boleh menjimatkan banyak masa, wang dan sumber. Selepas anda memperoleh keputusan ini, anda boleh menggunakannya dalam masalah pembelajaran mesin, seperti meramalkan bilangan pekerja yang diperlukan oleh setiap kilang pada hari tertentu.

3 Memanfaatkan output pembelajaran mesin kepada skop model pengoptimuman matematik

Selain menggunakan output pembelajaran mesin secara langsung dalam masalah pengoptimuman, anda juga boleh memilih untuk memastikannya digabungkan secara bebas. . Anda boleh menggunakannya dalam projek yang sama, tetapi tidak dalam proses yang sama. Anda boleh menggunakan output pembelajaran mesin untuk memudahkan masalah pengoptimuman matematik: Anda boleh menggunakan pembelajaran mesin untuk menentukan skop model pengoptimuman. Manfaat tambahan di sini ialah model yang dioptimumkan boleh diselesaikan dalam masa yang lebih singkat.

Contoh: Menggunakan penyelenggaraan ramalan dan pengelompokan untuk menentukan skop isu penghalaan

Dalam contoh ini, kita melihat syarikat yang membaiki kotak kuasa. Mereka mempunyai bilangan pembaikan yang terhad dan ingin menggunakannya dengan cara yang terbaik. Pertama, anda boleh menggunakan penyelenggaraan ramalan (pembelajaran mesin) untuk memutuskan kotak kuasa yang mempunyai risiko kegagalan tertinggi. Kemudian, pengelompokan (pembelajaran mesin) digunakan untuk mengelompokkan kotak kuasa berisiko tinggi. Pengelompokan berlaku kerana anda mahu sekumpulan kotak kuasa berada berdekatan antara satu sama lain. Anda boleh memilih beberapa kluster yang sama dengan bilangan pembaikan yang ada. Akhir sekali, melalui pengoptimuman matematik, anda boleh mencipta laluan terbaik antara kotak kuasa untuk setiap kelompok, satu laluan untuk setiap pembaikan.

4. Gunakan pengoptimuman untuk menyelesaikan masalah pembelajaran mesin

Anda boleh menggunakan pengoptimuman untuk mencari set parameter optimum untuk masalah pembelajaran mesin. Pembelajaran mesin dan pengoptimuman matematik digandingkan rapat di sini, kerana pengoptimuman digunakan dalam masalah pembelajaran mesin. Contoh berikut menunjukkan bahawa Pengaturcaraan Integer Campuran (MIP) telah membuktikan nilainya dalam menyelesaikan masalah penyelidikan klasik.

Contoh: Menyelesaikan masalah pemilihan subset yang optimum dalam regresi linear

Apabila membina model regresi, mengalih keluar ciri yang tidak berkaitan akan menjadikan model lebih mudah untuk ditafsirkan dan kurang berkemungkinan melebihi data. Sukar untuk mencari subset optimum ciri, yang dipanggil masalah pemilihan subset optimum. Pengaturcaraan integer bercampur (pengoptimuman matematik) telah menyaksikan peningkatan ketara dalam kelajuan sejak beberapa dekad yang lalu, yang menjadikannya berguna untuk mengujinya pada masalah sedia ada.

Akhirnya

Saya harap artikel ini memberi inspirasi kepada anda untuk mencuba gabungan pengoptimuman matematik dan pembelajaran mesin yang menarik ia sesuai untuk pelbagai jenis masalah dan boleh saling melengkapi. Selain cara yang jelas (menggunakan output satu sebagai input yang lain), terdapat cara lain untuk menggabungkannya. Anda boleh menggabungkannya secara longgar, seperti dalam pendekatan ketiga, menggunakan pembelajaran mesin untuk merangkumi masalah pengoptimuman. Atau anda boleh mengintegrasikannya dengan ketat untuk menyelesaikan masalah penyelidikan, seperti dalam contoh terakhir.

Atas ialah kandungan terperinci Pengenalan kepada empat kaedah yang menggabungkan pengoptimuman matematik dan pembelajaran mesin. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!