这种场景是否适合使用机器学习/模式识别模型，还是从大型数据库中筛选会更简单、更快捷？
我希望创建一个系统，允许用户通过指定某些约束条件和偏好功能来识别合适的产品。
可能的产品配置有数百万种。假设我们处理的是盒子。
产品选项：
- 尺寸（从1毫米到1米），以1毫米为增量
- 颜色：可选择10种颜色
- 材料：可选择3种，木材、金属、塑料
约束条件：
- 木材仅以厘米为单位提供
- 红色仅在500毫米及以上可用
- 木材是首选材料
- 蓝色是首选颜色
因此，我们有30,000种（1000*10*3）可能的选项。其中许多选项不可行，例如533毫米-红色-木材
但这些与请求相似的配置是可能的。
- 533毫米-红色-塑料
- 530毫米-红色-木材
- 540毫米-红色-木材
备注：我们当前基于规则和代码的工具需要0.5到2分钟来识别首选配置。
我们可以生成所有可能配置的列表，并标注它们是否有效。
我们估计有30,000,000种可能的配置。验证一个配置大约需要0.5秒，因此在足够的计算能力下，我们预计可以在几天内完成3000万次验证。
回答：
可以使用机器学习来识别最佳产品配置吗？
是的，如果您有一组理想配置，可以从中推断出哪些特征使其成为最佳配置。
但在您的问题中，似乎您有固定的规则，并且希望仅使用这些规则生成有效配置。显然，这也是可能的（而且更容易），但这不是机器学习，因为您的软件并不是从数据中“学习”，而只是生成受约束的配置。
