Estoy tratando con un problema en el que la salida de mi modelo, puede tener números como 1-3000 (alrededor) (puntuación en un juego). Esto es como una puntuación en un juego. Dando un ajuste de error mínimo cuadrado, para un modelo, donde quiero tratar de predecir la puntuación, me hará terminar con un gran error, y no será del todo un reflejo de una buena predicción. Por ejemplo, para un juego con una puntuación de 2800, podría estar contento con una predicción de 2100, pero para un juego con una puntuación de 300, definitivamente no estaré contento con una predicción de 1000, aunque ambos tengan el mismo desplazamiento de 700.
Al mismo tiempo, si tengo una clasificación como predicción sobre todas las 3000 clases (definamos cada puntuación discreta en el rango como una clase) y luego doy mis resultados como una distribución de probabilidad discreta sobre las puntuaciones, entonces no estoy usando la cercanía de las puntuaciones en la imagen, porque el modelo asumiría que todas las clases son independientes, pero una puntuación de 1900 es más cercana y similar a una clase de puntuación 2000 que una clase de puntuación 1.
Así que, ¿cómo debería exactamente idear un método para aprender y evaluar , con una buena verdad de base interpretable cuando estoy tratando de construir un modelo para predecir tales datos (como los resultados del juego)?
Gracias de antemano por toda la ayuda.
2 votos
Yo lo formularía como un problema de regresión.
0 votos
¿Cuáles son sus características?