我想找一个地方开始用ML解决一个优化问题。
比如说我有一大堆砖头，我需要从这堆砖头中挑出50块砖头来排列成一面墙。我的砖头都是不同的类型：有些砖头比其他砖头更结实，有些砖头更重，所以每次选择一组砖头时，我都需要做一个（相对缓慢的）结构计算，以确保墙不会倒塌。我的砖堆里有太多的砖，不可能用蛮力去尝试每一种排列方式，所以我想用ML来帮助我找到有可能成功的砖的排列方式，因为我之前有几百套砖，我知道它们是可以的。
还有一些墙面需要满足的主观标准--如果我的绿砖太多，可能看起来会很丑。我很清楚哪些标准是被主观看待的（例如，我知道建筑师关心绿砖的数量），但我想用以前的数据来训练一个ML模型，以知道给这些标准赋予什么样的权重，因为我没有任何硬性限制绿砖的数量是太多了--我只是有一个数据集，显示建筑师不喜欢过去一些有很多绿砖的墙。
这个问题ML能帮我解决吗？我应该研究什么框架模型来解决这种问题？我很难归零，不知道从哪里入手!
答案有点取决于你是否需要帮助想出（生成）新奇的组合，或者你是否想了解影响成功接受可能性的变量。
如果是后者，你可以将其作为一个分类任务来处理。从你的描述中，你可能会想出一些特征来描述你测试的砖块集，如：绿砖的数量，砖块的总重量，砖块的平均重量，砖块底排的重量。
然后你会有一个表格，每一行都是砖块的配置，每一列都是上面生成的特征。您有一个额外的目标列，它将是true-false，取决于配置是否成功。
+---------+------------+-------------+---------------+----------------+
| n_green | weight_sum | weight_mean | weight_br_sum | target_success |
+---------+------------+-------------+---------------+----------------+
| 10 | 102 | 0.6 | 15 | true |
| 2 | 60 | 0.5 | 30 | false |
| 40 | 250 | 1.1 | 15 | true |
+---------+------------+-------------+---------------+----------------+
您可以使用线性模型（如 Logistic回归)，其中X是n_green:target_success列的值数组，y是目标列。然后，您可以查看拟合模型的系数，以了解哪些特征对成功率的影响最大（尽管您应 先扩展你的功能).
然后，您可以生成新的组合，并通过拟合模型运行它们，以获得成功的概率。
如果砖块的排列配置很重要，你可能想研究神经网络，特别是卷积神经网络(美国有线电视新闻网). 你必须使用一个像 ELI5 或 形状 来调查特征的重要性。
如果是前者，你应该调查 GANs.