如何通過學習以前的分布來預測用戶生成的分布

Question

我正在嘗試編寫一個預測算法，它根據用戶的預輸入來預測 4 個杯子中彈珠的分布。 但我不知道從哪里開始或可以使用哪些技術來解決這個問題。

例子：

有 4 個杯子，編號從 0 到 3，用戶將收到 x 個彈珠，他將這些彈珠分配到這些杯子中。 每一輪用戶都會收到另一個數量的彈珠（或相同數量），並且在用戶分發它們之前，算法會嘗試根據用戶之前的輸入來預測分布。 之后，用戶“糾正”它。 目標是用戶不必更正任何內容，因此算法會預測正確的分布。 然而，用戶分配彈珠的模式可以改變，算法必須適應。

這是問題的最簡單設計，已經不是很容易解決了。 然而，當彈珠具有可用於分布的附加屬性時，它會變得更加復雜。 例如，它們可以具有顏色和重量。

那么，舉例來說，算法如何得知用戶（大部分時間）將顏色相同的彈珠放在一個杯子里，但杯子 2 是（大部分時間是空的），其余的則平均分布？

所以在我的腦海里，算法必須做這樣的事情：

• 在用戶分配完成后搜索模式。 這些模式可以是每杯彈珠的數量/每杯的重量或其他任何東西。
• 如果找到模式，則將預定義值（權重）添加到模式中
• 如果未找到先前的模式，則必須從模式中減去預定義的值
• 當算法必須進行預測時，必須應用具有預定義權重的所有模式。

我不確定我是否遺漏了什么以及我將如何實施這樣的事情，或者我必須在哪個領域尋找答案。

Answer 1

首先，請記住，人類行為並不總是遵循某種模式。 如果用戶隨機分配這些彈珠，將很難預測下一步！

但是，如果分布中存在模式，您可以使用神經網絡或決策樹等算法來創建預測。

例如：

// dataset1
// the weights and colors of 10 marbles
let dataset1 = [4,3,1,1,2,3,4,5,3,4,7,6,4,4,2,4,1,6,1,2]

// cups1
// the cups distribution of the above marbles
let labels1 = [2,1,0,2,1,1,3,1,0,1]

現在您可以訓練算法，例如神經網絡或決策樹。 這不是真正的代碼，只是它如何工作的一個例子。

let net = new NeuralNet()
net.train(dataset1, labels1)

在使用大量數據（至少數百個這樣的數據集）進行訓練后，您可以為網絡提供一個新數據集，它會為您提供杯分布的預測

let newMarbleSet = [...]
let prediction = net.predict(newMarbleSet)

你想用這個預測做什么取決於你。