我想通过机器学习和/或优化问题进行生产优化。
我的目标不是找到最小化损失函数的损失，只是为了给出最好的 y 值。我的最终目标是找到最佳特征组合的最优值。换句话说，'我想找到产生最佳 y（最小化损失）的最佳 x 值（特征值）。例如，30（温度）、100（压力）、50（重量）给出了最好的产品 y。x 特征值的实际最佳集合。
监督机器学习技术无法为我提供最佳预测的 x 值。但我想找到x。因此，我的问题如下：
找到最优 y 值的最优 x 值的领域是什么？连续和离散优化是找到 y 的 x 值吗？
我发现了很多研究，但我不确定它是否真的是关于找到 x 值（最佳特征组合的最佳值）。有人可以告诉我我必须为此学习什么领域吗？
我应该使用什么样的技术来找到我想要的东西？
欢迎来到 DS.SE！
正如您已经提到的，机器学习并不是要找到有关功能的最佳特征值。此外，损失函数通常测量预测的错误而不是特征值的质量（例如“最佳产品 y”）。
您正在寻找的是所谓的优化或搜索算法，而不是学习或预测。如果搜索空间（即所有可能的特征值的组合）不是那么大，您可以执行穷举搜索（尝试所有组合）。如果搜索空间很大，那么更聪明的方法可能会很有用。这些技术需要一个函数（通常称为目标函数）来优化（找到导致最小/最大结果的输入值的组合）。
一般来说，有两种方法：数学建模（即线性规划）和元启发式（例如进化算法和群体智能）。当目标函数定义明确并且满足基本假设时（有时您可能需要简化约束），数学模型可以快速并保证找到最优值。如果不满足这些条件，那么元启发式通常可以找到一组近似解。