我需要一些方向来解决我正在努力解决的问题。任何事情都会被赞赏，谷歌的关键词或一些迹象！
所以我有5个项目的清单。所有项目共享相同的功能，假设每个项目都有3个功能。 我将列表传递给排名函数，该函数考虑了列表中每个项目的特征，并返回这些项目的任意有序列表。
例如，如果我将以下项目列表（a，b，c，d，e）提供给排名函数，我得到（e，a，b，d，c）。 这是事情，我不知道排名功能如何工作。我唯一拥有的是5个项目的列表（例如5个，可以是任何大于1的数字），每个项目的功能和排名功能的结果。
目标是训练一个模型，该模型输出5个项目的有序列表，与排名功能完成相同。
我可以用什么ML模型来支持这种排名概念？此外，我无法确定它是分类还是回归问题。我不是要确定连续值或对项目进行分类，我想确定它们如何通过排名函数进行排名。
自从我自己生成这些项目以来，我必须处理无数项目。排名功能可以是任何东西，但我们可以说是：
attribute a score = 1/3 * ( x1 + x2 + x3 ) to each item and sort by descending score
该模型的目标是通过为同一批5个项目输出类似的结果，尽可能地猜测排名函数是什么。
提前致谢！
答案 0 :(得分：1)
由于产生输出的未知函数，它是一个回归问题。具有2个隐藏层的神经网络，例如sigmoid可以学习任何任意函数。
答案 1 :(得分：1)
它可以被视为回归问题，具有以下技巧：给予5个具有5个特征向量的项目，“黑盒子”功能输出5个不同的分数为[1,2,3,4,5]。将这些视为连续值。因此，您可以将您的函数视为通过获取五个不同的输入向量x1，x2，x3，x4，x5并输出五个标量目标变量t1，t2，t3，t4，t5来操作，其中训练集的目标变量是获得项目得分。例如，如果单个样本的排名是（x1,4），（x2,5），（x3,3），（x4,1），（x5,2），那么设置t1 = 4，t2 = 5， t3 = 3，t4 = 1，t5 = 2。 MLP具有“通用近似”能力并且具有黑盒功能，它们可以任意接近它，取决于隐藏的单位数。因此，构建一个2层MLP，输入为五个特征向量，输出为五个排名分数。您将最小化平方和误差函数，即经典回归误差函数。并且不要使用任何正则化项，因为您将尝试模仿确定性的黑狐狸函数，该函数的输出中不存在固有的随机噪声，因此您不应该害怕任何过度拟合问题。