Öt módszer a matematikai optimalizálás és a gépi tanulás kombinálására
Gyakorlati példák két erő összekapcsolására.
Ön adattudós? És tudja, hogyan kell használni a matematikai optimalizálást és a gépi tanulást? Kombináltad őket valaha egy projektben? Ez a bejegyzés azért íródott, hogy ihletet adjon, és hogy bátorítsa, hogy legközelebb próbálja ki, amikor olyan problémával találkozik, amely mindkettőt használhatja. Minden adattudós számára fontos, hogy legalább egy kicsit tudjon a matematikai optimalizálásról. Mert nem szabad komplex gépi tanulási megoldást létrehozni, ha a tényleges probléma egy tökéletes optimalizálási használati eset.
Matematikai optimalizálás és gépi tanulás
A „matematikai optimalizálás” (vagy matematikai programozás) egy hatékony döntéshozatali eszköz. A matematikai optimalizálás a célban megfogalmazott célok megfogalmazásával, megszorítások és változók megadásával segíthet a legjobb döntések meghozatalában a jelenlegi valós körülmények között. Számos különböző iparágban bizonyította értékét, mint például a „légitársaságok”, a logisztika, az „elektromos energia” és a pénzügyek terén. Ha olyan problémával foglalkozik, amelynek világos célja és korlátai vannak, akkor a matematikai optimalizálás megfelelő lehet.
A gépi tanulás a mesterséges intelligencia egyik részterülete. A számítógép képes felismerni az adatok mintázatait, és megtanulja megjósolni a jövőt, képes klasztereket létrehozni, anomáliákat észlelni vagy új zenét vagy képeket generálni. A lehetőségek végtelenek. A gépi tanulás három típusa (felügyelt, felügyelet nélküli és megerősített tanulás) minden iparágban alkalmazható, így az „egészségügyben”, sőt a „művészetben” is. A gépi tanulási modellek a valószínűségekről szólnak, és megjósolják annak valószínűségét, hogy mi fog történni.
Mindkét módszernek megvannak a maga előnyei és hátrányai. A gépi tanulási modellek használhatatlanná válnak, ha az adatok túl sokat változnak, és a modelleket át kell képezni vagy a semmiből újjá kell építeni. A matematikai optimalizáláshoz világos utasításokra és jó matematikai leírásra van szükség. Nem képes kezelni a strukturálatlan adatokat, mint a gépi tanulás. Ezenkívül, ha a probléma túl nagy, akkor szükség lehet egy kereskedelmi megoldásra a probléma megoldásához, ez meglehetősen drága lehet.
Egyes problémák jobban megfelelnek a gépi tanulásnak, más esetekben pedig a matematikai optimalizálás. Ha mintákat szeretne felfedezni az adatokban, hasonló adatmintákat szeretne találni, vagy megjósolni szeretné az időjárást, használja a gépi tanulást. Ha ütemtervet szeretne készíteni, megtalálni a létesítmények optimális elhelyezését, vagy minimalizálni szeretné egy probléma költségeit, a matematikai optimalizálás a jobb választás. Hatástalan, ha rossz módszert alkalmaz, és sok időt és frusztrációt takaríthat meg, ha a megfelelő módszerrel kezdi.
Hogyan lehet kombinálni az ML-t és a MO-t?
Hasznos lehet a matematikai optimalizálás és a gépi tanulás kombinálása. Különböző erősségeik és gyengeségeik vannak, és néhány probléma túl bonyolult ahhoz, hogy a kettő közül csak az egyiket használjuk. Kiegészíthetik egymást. Íme öt módszer gyakorlati példákkal, amelyek bemutatják, hogyan kombinálhatod őket.
1. Használjon gépi tanulási előrejelzéseket kényszerként egy optimalizálási modellben
Ez a legegyszerűbb és legegyszerűbb módja az ML és a MO kombinálásának. Először megjósol valamit a gépi tanulás segítségével, és ezeket az előrejelzéseket a rendszer egy optimalizálási probléma bemeneteként használja. Megszorításokat állíthat be a gépi tanulási modell kimenetével.
Példa: Megjósolhatja a nézettségi adatokat az ML segítségével, és használja bemenetként az optimális ütemterv létrehozásához optimalizálással.
Ön adattudós egy műsorszolgáltató vállalatnál, és reklámfelületeket ad el cégeknek. A hirdetők adásidőt vásárolnak, a műsorszolgáltató pedig megalapozott tippeket ad arról, hogy hányan fogják látni a hirdető reklámját. Ön, mint adattudós, szeretné a lehető legjobban kihasználni a hirdetési felületet. Pontos számú nézőt szeretne adni a hirdetőknek, így nem vesztegeti a műsoridőt, amit eladhatott volna valaki másnak. Először a gépi tanulás segítségével megjósolja a nézettségi adatokat az előzményadatok alapján. Ezután hozzon létre egy optimalizálási modellt, amely a megtekintési adatokat használja bemenetként. Optimalizálja az ütemezést, ha minden hirdetőnek megadja a kívánt nézettségi számot. Ezzel maximalizálja a vállalat profitját.
2. Használja az optimalizálási döntéseket képzési jellemzőkként a gépi tanulási modellben
Ez fordítva van az 1. módszerhez képest: Először az optimalizálási modell hoz döntéseket, és a döntéseket a gépi tanulási modell jellemzőiként használja fel. A valóságban ez a módszer kevésbé elterjedt, mivel a döntések (MO) többnyire az előrejelzéseket (ML) követik. De lehetséges és hasznos lehet konkrét projektekben.
Példa: Szállítási döntések alkalmazása gépi tanulási modellben
A matematikai optimalizálás széles körben használatos a logisztikában. Rengeteg időt, pénzt és erőforrást takaríthat meg, ha optimalizálással dönti el, hány kelléket kell szállítania a gyártóüzemekből a piacokra. A modell eredményei az üzemek és piacok közötti szállítási mennyiségeket tartalmazzák. Miután megszerezte ezeket az eredményeket, felhasználhatja őket egy gépi tanulási problémában, például annak előrejelzésére, hogy egy adott napon hány alkalmazottra van szüksége minden üzemben.
3. Használja a gépi tanulási kimenetet a matematikai optimalizálási modell hatókörének meghatározásához
Amellett, hogy a gépi tanulási kimenetet közvetlenül egy optimalizálási feladatban használja, választhatja, hogy ezeket külön-külön is kombinálja. Ugyanabban a projektben használja őket, de nem ugyanabban a folyamatban. A gépi tanulási kimenet segítségével csökkentheti a matematikai optimalizálási problémát: gépi tanulással határozhatja meg az optimalizálási modell hatókörét. További előny, hogy az optimalizálási modell rövidebb idő alatt megoldható.
Példa: Használjon prediktív karbantartást és fürtözést az útválasztási problémák hatókörének meghatározásához.
Ebben a példában egy tápdobozokat javító céget vizsgálunk. Korlátozott számú szerelő áll rendelkezésükre, és szeretnék őket a lehető legjobb módon használni. Először is használhat prediktív karbantartást (gépi tanulás) annak eldöntésére, hogy mely tápegységeknél a legnagyobb a meghibásodás kockázata. Ezután fürtözést (gépi tanulást) használ a nagy kockázatú tápegységek fürtözésére. Azért csoportosít, mert szeretné, hogy a tápdobozok csoportjai közel legyenek egymáshoz. Kiválaszthatja a rendelkezésre álló szerelők számával megegyező számú klasztert. Végül a matematikai optimalizálással optimális útvonalakat hoz létre minden fürt tápegységei között, egy útvonalat minden szerelőnek.
4. Használjon optimalizálást a gépi tanulással kapcsolatos kutatási problémák megoldására
Ez egy olyan kutatási terület, ahol az optimalizálást a gépi tanulás kihívásainak megoldására használják. Az optimalizálás segítségével megtalálhatja a gépi tanulási probléma optimális paraméterkészletét. Az ML és az MO itt szorosan integrálva van, mivel az ML problémán belül optimalizálást használunk. Az alábbi példa azt mutatja, hogy a kevert egészszámú programozás (MIP) bebizonyította értékét egy klasszikus kutatási probléma megoldásában.
Példa: A legjobb részhalmaz-kiválasztási probléma megoldása lineáris regresszióban
A regressziós modell felépítésekor az irreleváns jellemzők eltávolításával a modell könnyebben értelmezhető, és kevésbé lesz hajlamos az adatok túlillesztésére. Nehéz megtalálni a funkciók optimális részhalmazát, amely a legjobb részhalmaz-kiválasztási problémaként ismert. A vegyes egészszámú programozás (matematikai optimalizálás) sebessége jelentősen javult az elmúlt évtizedekben, ezért hasznos a meglévő problémákon való tesztelése. Ezen a problémán tesztelték, "nagyszerű eredménnyel".
5. Tanuljon egy gépi tanulási modell sok hasonló optimalizálási problémából
A gépi tanulás és az optimalizálás együttes használatának utolsó módja a következő: Ha olyan optimalizálási modellel rendelkezik, amely újra és újra megoldja ugyanazt a problémát, akkor hagyhatja, hogy a gépi tanulás segítsen. Az adatok és a megoldások tárolásával minden alkalommal, amikor az optimalizálási modell fut, érdekes adatbázist hoz létre az alkalmazott gépi tanuláshoz. „Ez a cikk” különféle módokat javasol a gépi tanulás használatára. Lehetőség van az optimális célérték előrejelzésére, a döntési változók értékeinek előrejelzésére (lásd a példát), vagy egy algoritmus teljesítményének felgyorsítására. A gépi tanulás és a matematikai optimalizálás ezen kombinációja még mindig aktív kutatási terület.
Példa: A véregységek optimális átrakodásának előrejelzése egy kórházhálózatban
A kórházak számára nagyon fontos, hogy jó vérkészlettel rendelkezzenek. Minden nap vért szállítanak a kórházak között egymáshoz közel, hogy a vérszintet kellően magasan tartsák. A probléma változói a szállítási utasításokra vonatkoznak: Egy bizonyos vércsoport bizonyos mennyiségének kórházak közötti szállítása.
A matematikai optimalizálásban ez a probléma gyorsabban megoldható, ha a modellben a döntési változók jó kezdeti értékeit adjuk meg. Ezt melegindításnak hívják. Egyáltalán nem garantált, hogy a végső megoldás ezeket az értékeket fogja használni a változókhoz. Ennek ellenére minden lehetséges, ez csak egy jó első megoldás. Ha az adatokat az optimális megoldásokkal együtt tárolja, amelyeket matematikai optimalizálással találnak meg, akkor egy "gépi tanulási modell megpróbálhat mintákat találni az adatok és a cél között". A modell megpróbálja megjósolni a döntési változók optimális értékeit.
Ha a gépi tanulási modell jó értékeket talál, ez felgyorsíthatja az optimalizálás folyamatát. Egy tökéletes világban lehetséges lenne az optimalizálási részt teljesen kihagyni. „E tanulmány” eredményei ígéretesek. A vérszállítási esetet előrejelző gépi tanulási modell 98%-os hasonlóságot mutatott a döntési változók között, és a megszorítások szinte mindig érvényesültek.
Következtetés
Remélhetőleg ez a cikk arra ösztönöz, hogy kipróbálja a matematikai optimalizálás és a gépi tanulás érdekes kombinációját! Különböző típusú problémákra alkalmasak, és kiegészíthetik egymást. A kézenfekvő módokon kívül (az egyik kimenetének használata a másik bemeneteként) más módokon is kombinálhatja őket. Ezeket lazán kombinálhatja, mint a harmadik módszernél, ahol gépi tanulással határozzuk meg az optimalizálási probléma hatókörét. Vagy szorosan integrálhatja őket a kutatási problémák megoldásához, amint azt a negyedik példa mutatja.
Minden adattudós számára előnyös, ha legalább egy kicsit tud a matematikai optimalizálásról. Íme néhány kapcsolódó cikk a kezdéshez:
