He aprendido a utilizar algunos paquetes como neuralnet
y caret
para crear modelos basados en experimentos diseñados y estoy llegando al punto en que creo que mis modelos son relativamente decentes.
Hay un programa llamado ISight que otros en mi empresa utilizan para el análisis de funciones de base radial. Prefiero R por un montón de razones, pero una de las características que tiene es un "optimizador".
Esto le permite introducir un valor deseado para su(s) respuesta(s) y el programa se encarga de producir la mejor sugerencia de los valores de las variables de entrada para lograr este resultado. También le permite ponderar la importancia de cada respuesta de salida (si tiene múltiples respuestas) y conducirá hacia un conjunto de respuestas ponderadas/equilibradas basado en su clasificación.
Me pregunto si hay algo así para R.
Podría simplemente generar un enorme marco de datos de varias combinaciones, pasarlo por el predict
de mis modelos y luego buscar las respuestas en torno a mi valor objetivo, lo que me dirá a qué valores de entrada aproximados puedo alcanzar ese valor?
Eso probablemente estará bien para una respuesta, pero cuando empiece a intentar modelar múltiples respuestas será mucho más difícil averiguar qué niveles de entrada optimizan toda la gama de valores de salida deseados.
Siéntase libre de proporcionar cualquier terminología utilizada para describir esto. Soy nuevo en el área y sólo sé que ISight lo llama "optimizador". Mis búsquedas en google pueden haber sido pobres debido a no saber cómo llamar a lo que estoy buscando.