为了证明我们方法的效果，我们就各种优化问题进行了多个NU Merical实验。对于每个问题，提供了一组来自未知可行集合的可行决策，我们生成了一个不可行的决定的人工数据集，这些决策在于使用我们的MCMC算法的已知多面体放松的组成。然后，我们训练分类器以学习可行数据集和不可行的数据集之间的分离边界。我们将我们的方法与几个未加剧的密度估计基线进行了比较，这些密度估计基线不会与补体中采样的数据相比。使用模拟的分数背包问题，我们表明我们的方法对于创建分类器至关重要，即（i）在需要可行和不可行区域之间的紧密分离边界时表现良好； （ii）当可行决策的数据集很小时。此外，我们考虑了所有Miplib [14]实例的线性性放松，少于80个变量，并证明我们基于抽样的分类器显着胜过所有基线模型。我们的实验代码可在https://github.com/rafidrm/mcmc-compomplement上找到。