考虑以下场景。我是雕塑家，客户问我愿意为他们提供一些雕像的价格。他们对雕塑的要求可能在难度、数量、材料、大小上有所不同。作为回应，我回复了价格，随后他们将接受或拒绝（1 或 0）我的提议。我知道传统的机器学习方法，我可以训练这些方法来预测给定所有输入的接受概率。
在这种情况下，价格可以由我自己来影响。不要假设我的预期利润是这个函数：（数量 * 价格 * (probability_of_acceptance)）。我想用这个预期利润最高的价格来回应客户。当然，您可以在机器学习模型中输入不同的价格，这将为您提供某种概率接受曲线，您可以随后对其进行优化。但我希望一口气做到这一点。
我想知道：
看看由欧洲空间局 (ESA) 组织的这场比赛。 https://kelvins.esa.int/collision-avoidance-challenge/scoring/
在这里，他们使用组合损失函数。两个空间是否存在碰撞风险的二元分类。如果他们碰撞回归，说明他们之间的估计风险是什么。
这是通过构建一个将均方误差 (MSE) 和 F_β 得分与 β=2 相结合的损失函数来完成的。
您可以考虑类似的问题。您需要对您的报价是否被接受进行分类，以及在接受的情况下您将收到的钱作为回报。
在挑战的讨论部分，你会发现一些关于如何做到这一点的注释。另外，我相信他们会在接下来的几周内发表一篇论文。
通常这称为优化，在给定约束条件下找到最佳可能的解决方案。有多种优化方式——整数规划和线性规划很流行。
优化对于机器学习很重要，但不是一切。机器学习还必须处理随时间变化的问题并预测未见数据的性能。
如果将问题描述为优化，SciPy 有许多优化例程。此外，PuLP是一个 Python 线性编程 API，用于定义问题和调用外部求解器。