Ich habe einen Satz von 3-5 Black Box Scoring-Funktionen, die den Kandidaten positive reelle Werte zuweisen.Welche Art von ML ist das? Algorithmus zum wiederholten Auswählen von 1 richtigen Kandidaten aus einem Pool (oder keinem)
Jeder ist in der Rangliste der besten Kandidaten am besten, aber sie stimmen nicht immer überein - Ich würde gerne herausfinden, wie man die Noten zusammen für einen optimalen Meta-Score kombiniert, so dass unter einem Pool von Kandidaten, der mit dem höchsten Meta-Score ist in der Regel der richtige Kandidat.
So sind sie einfach R^n
Vektoren, aber jede Dimension neigt dazu, höheren Wert für richtige Kandidaten zu haben. Naiv könnte ich einfach die Komponenten multiplizieren, aber ich hoffe, dass es etwas Subtileres gibt, von dem man profitieren kann.
Wenn die höchste Punktzahl zu niedrig ist (oder vielleicht sind die beiden höchsten zu nah), gebe ich einfach auf und sage 'none'.
So ist meine Eingabe für jeden Versuch eine Menge dieser Score-Vektoren, und die Ausgabe ist, welcher Vektor der tatsächlichen richtigen Antwort entspricht, oder 'none'. Dies ist ein bisschen wie Tech-Interviews, wo ein Pool von Kandidaten von ein paar Leuten interviewt werden, die unterschiedliche Meinungen haben, aber im Allgemeinen tendieren, den besten Kandidaten zu bevorzugen. Meine eigene Bewerbung hat einen objektiven besten Kandidaten.
Ich möchte die richtigen Antworten maximieren und falsch positive Ergebnisse minimieren.
Konkreter könnten meine Trainingsdaten aussehen wie viele Instanzen von
{[0,2, 0,45, 1,37], [5,9, 0,02, 2], ...} -> i
wo i ist der i-te Kandidatvektor im Eingabesatz.
Also möchte ich eine Funktion lernen, die dazu neigt, den Score-Vektor des tatsächlichen besten Kandidaten aus der Eingabe zu maximieren. Es gibt keine Grade der Genauigkeit. Es ist binär richtig oder falsch. Es erscheint jedoch nicht wie eine traditionelle binäre Klassifikation, da unter einem Eingabesatz von Vektoren maximal 1 "klassifiziert" werden kann als richtig, der Rest ist falsch.
Dank