我想使用遗传程序（gp）来估计一个“事件”中“结果”的概率。为了训练神经网络，我使用了遗传算法。

在我的数据库中，我有许多事件，每个事件包含许多可能的结果。

我将为gp提供一组与每个事件中的每个结果相关的输入变量。

我的问题是 – gp中的适应度函数应该是什么？

例如，目前我给gp提供了一组输入数据（结果输入变量）和一组目标数据（如果结果发生则为1，如果结果未发生则为0），适应度函数是输出和目标的均方误差。然后，我将每个结果的输出相加，并将每个输出除以总和（以得出概率）。然而，我确信这不是正确的方法。

为了清楚起见，这是我目前的做法：

我想估计一个事件中五个不同结果发生的概率：

Outcome 1 - inputs = [0.1, 0.2, 0.1, 0.4] Outcome 1 - inputs = [0.1, 0.3, 0.1, 0.3] Outcome 1 - inputs = [0.5, 0.6, 0.2, 0.1] Outcome 1 - inputs = [0.9, 0.2, 0.1, 0.3] Outcome 1 - inputs = [0.9, 0.2, 0.9, 0.2] 

然后我会计算每个输入的gp输出：

Outcome 1 - output = 0.1 Outcome 1 - output = 0.7 Outcome 1 - output = 0.2 Outcome 1 - output = 0.4 Outcome 1 - output = 0.4

在这个事件中，每个结果的输出总和为1.80。然后我通过将输出除以总和来计算每个结果的“概率”：

Outcome 1 - p = 0.055 Outcome 1 - p = 0.388 Outcome 1 - p = 0.111 Outcome 1 - p = 0.222 Outcome 1 - p = 0.222 

在你开始之前 – 我知道这些不是真实的概率，这种方法行不通！！我只是把这些放在这里，帮助你理解我想实现的目标。

谁能给我一些关于如何估计每个结果概率的建议？（另外，请注意我的数学不太好）

非常感谢

回答：

我理解你问题的第一部分：你描述的是一个分类问题。你在学习输入是否与观察到结果（1）或未观察到结果（0）有关。

但是，第二部分有些困难。如果我理解正确的话，你将某一行输入的原始GP输出（例如0.7）视为概率。你说这行不通，显然如此。在GP中，你可以通过引入一个阈值来进行分类，这个阈值将你的类别分开。如果大于某个值，比如0.3，结果应该是1，如果小于这个值，结果应该是0。这个阈值不一定是0.5（再次强调，这只是一个数字，不是概率）。

我认为，如果你想获得概率，你应该尝试学习多个能够很好地解释你的分类问题的模型。我不指望你有一个完美的模型来完美地解释你的数据，相应地，如果你有，你可能也不需要概率。你可以将这些模型组合在一起（创建一个集成），对于每个结果，你可以观察有多少模型预测为1，有多少模型预测为0。预测为1的模型数量除以模型总数可以被解释为观察到该结果的概率。如果这些模型的质量都相同，你可以忽略它们之间的权重，如果它们的质量不同，当然你可以将这些因素考虑进你的决策中。在训练集上表现较差的模型不太可能为良好的估计做出贡献。

总之，你应该尝试应用GP，例如10次，然后使用所有10个模型在训练集上计算它们的估计值（0或1）。然而，不要强迫自己只使用GP，有许多分类算法可以提供良好的结果。

作为补充说明，我是HeuristicLab软件开发团队的一员，该软件在Windows下运行，你可以使用它运行GP并创建这样的集成。该软件是开源的。