我有这种形式的数据：
[(v1, A1, B1), (v2, A2, B2), (v3, A3, B3), ...]
v对应于数据元素，A和B对应于表征v s的数值。
查看此数据的人可以查看它，并根据A和B值查看哪个元组似乎是最佳“匹配”。我想要一种AI，我可以通过选择其中一个元组作为最佳元素进行训练，这将调整给A和B的权重。
基本上，每个元组代表一个值的近似值。 A表示错误，B表示每个近似的复杂性。我希望通过为它们分配不同的权重来在错误和复杂性之间做出一些妥协。我想用不同值的近似值进行几次试验，并选择我认为最好的试验，并让AI相应地调整权重。
答案 0 :(得分：1)
您所描述的内容也称为model selection问题，这是机器学习和统计中经常遇到的问题。您基本上有一些模型适合您的数据，通过某种程度的良好性（通常测量为误差或对数似然），并且这些模型具有一些复杂性度量（通常是模型中的参数数量）。你想选择最合适的模型并惩罚其复杂性，因为这可能是overfitting的标志。
通常，过度拟合对您的影响程度取决于数据的大小。但是有一些措施明确允许您权衡模型适应性和复杂性：
如上所述，根据您的数据选择模型可能会使模型选择偏向数据。因此，这通常使用validation set and then evaluated on a test set来完成。
我不知道你使用算法解决这个问题的方法是否合适。通常，它取决于您的数据和某种程度的直觉。在我看来，你描述的元机器学习技术可能不太可靠。最好先从一些更原则，更简单的想法开始。