2
给定我有一个在P（Y | X）上训练时具有良好性能的模型，找到最佳P（X | Y）
输入数据： > T恤的功能（颜色，徽标等）XXX >利润率YYY 我已经在上面的和Y上训练了一个随机森林，并在测试数据上达到了合理的准确性。所以我有XXXYYY 。P(Y|X)P(Y|X)P(Y|X) 现在，我想找到即给定我期望这么高的利润率的X特征的概率分布。P(X|Y)P(X|Y)P(X|Y)XXX 如何使用随机森林（或任何其他判别模型）来做到这一点？ 对我来说，一个建议可能是从生成模型而不是判别模型开始。但是，我的理解是，生成模型通常需要训练大量数据，除非做出一些非常严格的假设，例如在朴素贝叶斯的情况下的条件独立性？XXX 其他建议可能只是切换和Y并训练判别模型。现在X将是利润率，Y将是at衬衫的特征。给定目标利润率，P （Y | X ）将直接给我t恤功能的概率分布。但是这种方法对我来说似乎并不正确，因为我一直将X作为偶然变量，而将Y视为有效。XXXYYYXXXYYYP(Y|X)P(Y|X)P(Y|X)XXXYYY 而且，据我所知，对于药物发现也提出了类似的问题，并设计了算法，这些算法提出了具有高度成功性的候选新药物。有人可以指点我研究这一领域的文学吗？ 更新： 我也碰到过这个和这个，其被用于药物发现约甘斯举行会谈。生成式对抗网络似乎很适合我的问题陈述，因此我一直在阅读有关它们的信息。但是我了解的一件事是GAN以无监督的方式生成样本。他们试图生成样本，就像首先捕获X的基础分布，然后从该分布进行采样一样。但是我对X | Y感兴趣。X和Y在上面定义。除了GAN，我是否应该探索其他东西？有指针吗？ 后续问题： 想象一下，我受过GAN培训，学习了如何制作T恤（输出样本Xs）。在给定的Y下，如何获得前5件衬衫？