Récupération des entrées de la sortie d'apprentissage machine

Question

Je construis un modèle de régression pour prédire l'efficacité d'un périphérique. Y at-il un moyen d'inverser cela et d'obtenir l'entrée du modèle donné la sortie? Je sais que pour un modèle comme l'arbre de décision et la forêt aléatoire, vous pouvez voir l'importance de la caractéristique et pour le modèle linéaire, vous pouvez voir le poids donné à chaque entité, mais puis-je générer des entrées à partir de ce modèle? par exemple. étant donné la meilleure efficacité, prédire la combinaison d'entrée.

Answer 1

Le problème que vous avez est qu'il y a une infinité d'options d'entrée pour une sortie donnée.

Il est comme en haute mathématiques de l'école où vous voulez résoudre l'équation suivante:

X + 2J = 1

La réponse pourrait être (0,0,5), (1,0), (2, -0,5) ... Vous demandez une réponse quand il y a une infinité de réponses à votre question.

Espérons que ça aide :)

Answer 2

Ceci est mathématiquement impossible.

Supposons que vous ayez un modèle qui mappe les canaux d'entrée sur une sortie (quelque chose comme X, Y -> Z). Il y a exactement une sortie par entrée; ceci est connu comme one-to-one. MAIS il se peut qu'il n'y ait pas exactement une entrée par sortie (s'il y en avait une, elle serait considérée).

Considérons Z = X^2 + Y^2.

De toute évidence, pour tout X, Y nous avons exactement une sortie. Cette fonction est one-to-one. Cependant, si je devais vous donner Z = 8, vous ne pouvez pas donner mon X et Y. Ce pourrait être X = Y = 2 ou X = 2 & Y = -2, ou X = -2 & Y = 2 ou X = Y = -2.