Cómo hacer una función de acondicionamiento físico

Question

Estoy trabajando en un proyecto que tendrá un conjunto seleccionado de datos y cada uno tendrá diferentes atributos. Necesitaré usar una función de aptitud física para elegir los datos que mejor coincidan con mi escenario seleccionado utilizando los atributos.

Sin embargo, realmente no encuentro ningún sitio que explique cómo iniciar mi propia función de acondicionamiento físico. Todo lo que tengo es que es parte del Algoritmo Genético y esto es lo más lejos que tengo. Entonces, ¿me pueden dar algunos consejos aquí?

Answer 1

¿Estás seguro de que lo que necesitas es en realidad una función de ejercicio?

La función de condición física es, como dijiste, algo usado en el Algoritmo Genético. Se usa en cada iteración del algoritmo para evaluar la calidad de todas las soluciones propuestas para su problema en la población actual. La función de aptitud física evalúa qué tan buena es una sola solución en una población, p. si está tratando de encontrar para qué valor x una función tiene su mínimo y con un algoritmo genético, la función de adecuación para una unidad podría ser simplemente el valor y negativo (cuanto menor sea el valor mayor será la función de adecuación).

Lo que básicamente estoy tratando de decir, las funciones de acondicionamiento físico no se ocupan tanto de los atributos, solo evalúan los resultados.

Si desea elegir la muestra más representativa de datos que contenga atributos, ¿debería considerar también los métodos de clasificación o agrupamiento? No proporcionó mucha información sobre cómo se representará el escenario seleccionado, pero tal vez podría agrupar sus datos (¿podría probar el algoritmo de clustering k-means e intentar aumentar el número de clusters hasta que el error de clasificación deje de caer significativamente?) Y que elegir un cluster de datos representativo una vez que tenga el requisito de escenario?

Si ha dado más detalles sobre cómo se representan las consultas con respecto a la representación de datos, es posible que haya recibido una respuesta diferente (o mejor) de alguien.

Por otra parte, si su único objetivo es aprender el Algoritmo Genético o cualquier otra parte del campo AI/Machine Learning, debe hacer exactamente lo que sugiere phs y buscar un libro, conferencia de audio, inscribirse en una clase para ese o algo similar.

Answer 2

Esta es la parte más difícil de los GA (bueno, eso y la representación de datos) y realmente solo puedes aprender por experiencia.

Enunciando lo obvio, la función tiene que ser algo que mida qué tan buenos son los resultados. En particular, tiene que ser fluida en una amplia gama de datos; cualquiera que sea la información, su función de acondicionamiento físico debe mostrar la forma correcta de mejorar.

Por lo tanto, por ejemplo, una función de acondicionamiento físico que es cero a menos que la respuesta sea correcta no es buena, porque no ayuda a acercarse a la respuesta correcta cuando está comenzando.

Y una función de acondicionamiento físico que aumenta a medida que las cosas mejoran, pero no identifica la mejor solución tampoco es tan buena, porque su población mejorará hasta cierto punto y luego se quedará estancada.

Así que debe sentarse, escribir algunos ejemplos de sus datos y luego pensar qué tipo de función puede usar. Desea algo que dé valores bajos para datos incorrectos y valores altos para buenos datos. Y eso se ajusta muy bien entre los dos.

Pruebe cualquier idea loca que pueda pensar al principio, y luego vea cómo puede poner eso en una buena forma matemática. Solo haga una lluvia de ideas y siga intentando e iterando ...Probablemente descubrirá que su primera elección no es tan buena, y una vez que ejecute el GA, podrá observar lo que está sucediendo con más detalle y mejorarlo.