假设 Morpheus 有多个用户提供彩色药丸（来自无限的彩色药丸），Morpheus 总共可以提供 3 种独特的彩色药丸（红色、蓝色、绿色）。诀窍是，Morpheus 只能向用户提供一种药丸，而用户可以选择服用或拒绝服用。（另外，用户的决定是相互独立的）
现在，Morpheus 想对他的提议变得聪明，并希望对用户进行建模，以便用户选择他提供的药丸。用户喜怒无常，不确定他们会随机选择。
拒绝可能是由于多种未知原因，例如I didn't like the color of the pill, I will choose the pill later, I want to understand more about this pill,Show me other pills before I decide
现在有两种方法可以考虑建模：
- 将此视为二元分类
- 将其视为多类分类
当我将其视为二元分类时，我将pill color作为特征与其他特征一起传递user features给模型，我的输出是用户服用或拒绝给定药丸颜色的药丸的概率。然后，Morpheus 可以提供最高概率的药丸颜色。这将在建模时同时使用用户Accept的Reject决策，但存在一些不确定性，同一类型的用户可以随机接受或拒绝。
当我将其视为多类分类时，我尝试预测药丸颜色本身。我不会在训练中使用被拒绝的案例，只会考虑用户选择某些东西的案例。这样，我可以减少这种情况下的不确定性，但必须完全忽略被拒绝的情况。然后，Morpheus 可以对每个类使用 softmax 或 sigmoid，并使用 argmax 来获得提供的最佳选择。
我不确定是否有其他方法可以对这个问题进行建模，但是在这两种方法中哪一种可能是更好的方法？
