Как можно задать условие для вывода модели машинного обучения?

Question

[Ivan Samorukov]

Знающие люди, подскажите, пожалуйста. Задача регрессии. Есть массив входных параметров, на выходе 10 численных значений. Как можно задать условие, чтобы в сумме эти 10 выходных значений были равны отдельному известному параметру?

Comments

[xmoonlight]

Ничего непонятно...
Приведите примеры того, как работает сейчас и как нужно..

[Ivan Samorukov]

xmoonlight, сейчас есть 10 отдельных моделей. Каждая модель имеет на вход 11 параметров и на выходе выдает один. Простые Sequential модели Keras. Но физически эти 10 выходов моделей должны в сумме должны равняться заданному параметру, который заранее известен.

Фактически это 10 скважин, по ряду параметров которых прогнозируется расход газа. Модели неплохо считают расходы каждый отдельной скважины. Но нам известен общий расход газа 10-ти скважин. И хотелось бы создать модель/алгоритм, который бы подгонял значения расчетных расходов 10 скважин под суммарный фактический расход.

Прошу прощения, возможно, я криво формулирую проблему, только начал погружение в ML.

[xmoonlight]

Ivan Samorukov, почему не использовать пропорции и доли?

[Ivan Samorukov]

xmoonlight, жестких пропорций нет, то одна скважина дает больше газа, то другая. доли будут меняться от итерации к итерации, надо каждый раз считать. а как считать - непонятно.

[xmoonlight]

Ivan Samorukov, ну если есть два итога (текущий и целевой) и есть доли (из текущих значений по каждой) - нужно расширить значения долей до целевого итога. Это процентная пропорция.

Answer 1

[dmshar]

Как было сказано выше - не понятно ничего из описания.
Но!
Если вам надо обеспечить что-бы десять каких-то чисел в сумме давали число Z, то это делается просто |t-Z|->min, где t - сумма этих десяти чисел. И это должен быть конечным слоем вашей нейросети. А вот предыдущие слои должны решать свои задачи (я могу предположить, что регрессии). Т.е. типичная многослойная сеть.
Надеюсь, я хотя-бы в правильном направлении "продрался" через хащи вашего описания.