优化输入向量以获得最佳结果

Question

我无法弄清楚以下问题：如果可以的话，我想马上给你举个例子
想象一下，您使用营销数据并提出了一个很好的回归模型，预测了某个活动的 "reach"。一切都很好，花花公子。数据科学家工作完成。
可是等等。我们可以做得更多。
我的问题是：
假设我们有一个好的模型，我们如何优化输入向量（=营销活动）以获得最好的"reach"（=预测变量/优化目标）？
我疯狂地谷歌搜索，但找不到任何好的方法（我不是在谈论任何超参数优化）。目前我发现的最佳方法是遗传算法...示例here and here
或者 - 一种蛮力方法 - 计算一个巨大的网格，其中包含大量可能的输入向量，然后检查哪个是最好的（直接） - 但那将是计算昂贵的。

我很想听听您对此的看法。关于我应该检查哪些主题有什么建议吗？

Answer 1

很长的评论：

遗传算法可以嵌套。将您的遗传解决方案查找器放入适应度函数中。将其交给父遗传算法。让他们通过外部 GA 的 "optimizing input vector" 和内部 GA 的 "optimizing goal" 搜索结果。

你甚至可以添加第三层GA，来测试中间层GA的构建参数，因为我们可能不知道我们需要什么样的搜索space。如果我们知道，那么我们就不需要优化那个向量了。

您甚至可以通过这种方式减少每个 GA 问题的维度。

vector:x,y,z

GA1: optimizes x and GA2 parameters
  GA2: optimizes y and GA3 parameters
     GA3: optimizes z
        fitness(x,y,z)
all pass their best fitness to parent

我不确定 faster/slower 是否会比

GA: optimize x,y,z
    fitness(x,y,z)

因为我不知道 GA3 的变异是否可以从局部最小值中拯救整个优化器。还有其他版本：

GA1: optimize GA2
   GA2: optimize x,y,z
       fitness(x,y,z)

我不知道它的性能。也许 GA 也可以解决嵌套 GA 应该有多少

GA0: optimize N, x0,x1,..xM-N
  GA1: optimize XM-N+1
    GA2: optimize XM-N+2
       ...
           GAM: optimize XM
               fitness(X0,X1,..XM)

但我想在所有级别上拥有太多对象 constructed/destructed 会降低性能（内存带宽相关）和可读性（回调地狱）。

优化输入向量以获得最佳结果

Optimize Input Vector to achieve optimal results

optimization

machine-learning

mathematical-optimization