我们正在处理一个复杂的应用程序，即实验室中的物理测量，它有大约 230 个不同的输入参数，其中许多是范围或多值。

该应用程序产生一个输出，然后在外部（物理）过程中进行验证。在过程结束时，各个测试被标记为“成功”或“失败”。也就是说，尽管有许多输入参数，但输出是以布尔方式评估的。

当测试失败时，参数会稍微“放松”并重新测试。

我们的数据库中有大约 20,000 个条目，有“成功”和“失败”两种情况，我们正在考虑使用机器学习应用程序在两个方面提供帮助：

1) 最佳参数的初始选择
2) 在“失败”后如何调整参数的建议

许多输入参数彼此密切相关。

我在 90 年代中期学习计算机科学，当时的重点主要是专家系统和神经网络。我们还可以访问一些免费的 Microsoft Azure 机器学习 CPU 小时。

哪种机器学习适合这些用例？