我有一个关于生产产品的机器的数据集。关于数据集的显着特征：
• 对于每个数据点，一些特征是用于制造产品的机器设置（校准系数、研磨时间、压力、水温），而其他一些特征是随机的和外部性质的，例如水硬度。
• 产出表明生产的产品质量好坏。
目标：
• 当我有一个表明产品质量差的新数据点时，我想将相应的特征（机器设置 + 随机外部特征）输入到 ML 模型并预测机器设置，这将产生高质量的产品. 想法是拥有一个基于 ML 的智能控制器，它可以调整机器设置以减少生产的有缺陷的产品。
哪些机器学习模型适合这个目的？
你能更准确地解释这个问题吗？什么是输入（除了控制设置），如果输入是固定的，输出是否相同？是否有任何随机变量（容易产生概率行为的外部因素），期望的结果是什么？（通过选择设置或类似的东西来最小化错误结果）
给定您的数据集，您可以预测使用某些机器设置制造的给定产品是质量差还是质量好。但是，使用直接机器学习技术很难实现您想要实现的目标（预测机器设置），因为您将只有一个特征和多个目标变量。
但是，您可以在此处使用knn类型的方法。让我们将您想要更改设置 A 的不良产品称为数据点。使用 knn 方法查找 A 的 1（或 k）个具有良好产品的最近邻居。然后您可以使用这些邻居的机器设置或它们的平均值。虽然，这不是机器学习！