我有一个函数 F, [bool] = F(DATASET, tresh1, tresh2)，它接受输入一个 DATASET 和一些参数，例如 2 阈值 -tresh1 e tresh2-，并返回一个布尔值：如果 DATASET 是“好”，则返回一个布尔值：1 "，否则为 0。答案当然取决于值 tresh1 e tresh2。
假设我有 100 个可用的数据集，并且我知道哪些是好的，哪些不是。我想“训练”我的函数 F，即教它几个值 tresh1_ 和 tresh2_ 使得 F(DATASET, tresh1_, tresh2_) 为所有（或大部分）数据集“好”和“假”返回“真”否则。
我希望 F(DATASET_, tresh1_, tresh2_)，其中 DATASET_ 是一个新的（与之前的 100 不同），如果 DATASET_ 真的“好”，则返回 true。
我可以将此问题视为聚类问题：对于训练集中的每个 DATASET，我选择随机 tresh1 和 tresh2 并标记哪些值确保 F 返回正确的值，哪些不返回。因此，我选择了一个 tresh1 和 tresh2 值“好”的区域。这是一个好方法吗？有更好的吗？
一般来说，在我看来这是一个“参数校准问题”。是否存在一些经典的技术来解决它？