我有一组3到5个黑盒评分函数，它们为候选人分配正实数得分。

每个函数在将最佳候选人排在最高位置方面都表现不错，但它们并不总是意见一致——我想找出如何将这些得分结合起来，形成一个最佳的元得分，使得在一组候选人中，得分最高的那个通常是实际的正确候选人。

所以它们是普通的R^n向量，但每个维度单独来看，通常对于正确候选人的值更高。我可以简单地将各个分量相乘，但希望有更巧妙的方法可以从中受益。

如果最高得分太低（或者可能是两个最高得分太接近），我就放弃并说‘无’。

所以在每次试验中，我的输入是一组这些得分向量，输出是哪个向量对应实际的正确答案，或‘无’。这有点像技术面试，一组候选人被几个人面试，这些人可能有不同的意见，但总的来说，每个人倾向于偏好最佳候选人。我自己的应用有一个客观的最佳候选人。

我希望最大化正确答案并最小化误报。

更具体地说，我的训练数据可能看起来像是很多实例的

{[0.2, 0.45, 1.37], [5.9, 0.02, 2], …} -> i

其中i是输入集合中第i个候选向量。

所以我想学习一个函数，倾向于最大化输入中实际最佳候选人的得分向量。没有最佳程度的等级。这是二元的对或错。然而，这似乎不像传统的二元分类，因为在一组输入向量中，最多只能有一个被“分类”为正确，其余的都是错误的。

谢谢

回答：

你的问题并不完全属于机器学习的范畴。乘法方法可能会更有效。你也可以尝试不同的统计模型来生成你的输出函数。

机器学习，尤其是分类问题，需要训练数据，让你的网络能够从中学习数据中存在的任何模式，并使用这些模式为输入向量分配特定的类别。

如果你真的想使用分类，我认为你的问题可以归入一对多分类的范畴。你需要一个网络（或只是一个输出层），其单元/激活单元的数量等于你的候选人数量（每个代表一个）。请注意，这里你的候选人数量将是固定的。

你可以将整个候选向量作为输入输入到网络的所有单元中。输出可以使用独热编码指定，例如00100，如果你的第3号候选人是实际的正确候选人；如果没有正确候选人，输出将是00000。

为了使其工作，你需要一个包含你的候选向量和相应实际正确候选人的大型数据集。对于这些数据，你要么需要一个函数（再次如乘法），要么你可以自己分配输出，在这种情况下，系统将学习你如何根据不同输入对输出进行分类，并以同样的方式对新数据进行分类。这样，它将最大化正确输出的数量，但这里正确性的定义将是你如何对训练数据进行分类。

你也可以使用另一种类型的输出，其中输出层的每个单元对应于你的评分函数，00001意味着你的第5个评分函数选择的候选人是正确的。这样你的候选人就不必是固定的。但同样，你将不得不手动设置训练数据的输出，以便你的网络能够学习它。

一对多是一种分类技术，输出层中有多个单元，每个单元执行一个类别与其他所有类别之间的二元分类。最后，概率最高的激活函数被赋值为1，其余为零。

一旦你的系统通过训练数据学会了你如何分类数据，你就可以输入新数据，它将以相同的方式给出输出，例如01000等。

希望我的回答能帮到你。:)