我正在尝试建立一个分类模型，其中实例的分类不是基于其特征的某种线性组合，而是基于这些特征是否都在某些（未知）范围内。因此，例如，如果我有两个特征，并且我的实例（特征，后跟已知分类）是：

• (0, 5): 0
• (2, 7): 1
• (3, 2): 0
• (4, 4): 1
• (3, 9): 0
• (6, 6): 0

那么也许模型会知道第一个特征应该在 1 到 5 之间，第二个特征应该在 3 到 8 之间。（我只想要模型中的“and”；我不是在寻找特征的任何情况1 在 a 和 b 之间或特征 2 在 c 和 d 之间。）本质上，模型应该在特征空间中找到一些超矩形，所有边都平行于特征轴，其中 0 应该在矩形之外，1 应该在矩形之外在里面。（在示例数据中，数据点是可分离的；在我的实际问题中并非如此。本着 SVM 或逻辑回归的精神，模型应该尽其所能。）

我在这方面的第一次尝试涉及尝试使用由每个特征的两个 sigmoid 组成的假设函数进行最小二乘回归（一个“向前”，一个“向后”），参数化为来回滑动，所有这些都相乘. 也许我的 scipy-fu 很弱，但是在以上四个功能上，我开始遇到这种方法的收敛问题。有没有一些行之有效的方法来解决这种分类问题？（即使只是这类问题的名称也会有所帮助！）