Machine learning 此任务的机器学习算法？

尝试编写一些处理此任务的代码：

• 作为起点，我有大约20个“剖面”（想象一个景观剖面），即大约1000个真实值的一维数组
• 每个剖面都有一个实际值的期望结果，即“有效高度”
• 有效高度是某种平均值，但峰的高度、宽度和位置起着特殊的作用
• 我的目的是从输入数据中进行归纳，以便计算进一步剖面的有效高度

---

有没有一种机器学习算法或原理能帮上忙？

也许多元线性回归就足够了？

我可能会结合您所说的哪些功能发挥了最重要的作用，然后在此基础上训练回归。基本上，您需要至少一个对应于每个特征的系数，并且您需要比系数多得多的数据点。所以，我会选择两个最大山峰的高度和宽度。您现在已将每个配置文件减少为4个数字。现在做这个技巧：将数据分成5组，每组4个。选择前4组。将所有这些配置文件减少到4个数字，然后使用期望的结果得出回归。训练回归后，在最后4点上尝试你的技巧，看看效果如何。重复此过程5次，每次都保留一组不同的数据。这叫做交叉验证，非常方便

---

显然，获取更多数据会有所帮助。

原则1：提取最重要的功能，而不是将所有内容都提供给它

正如你所说，“有效高度是某种平均值，但峰的高度、宽度和位置起着特殊的作用。”因此，你有一个强的先验假设，即这些度量对于学习来说是最重要的。如果我是你，我会首先计算这些度量，并将它们作为学习的输入，而不是原始数据

原则2：选择学习算法时，首先要考虑的是线性可分性

假设高度是这些度量的函数，那么您必须考虑函数在多大程度上是线性的。例如，如果函数几乎是线性的，那么一个非常简单的感知器就是完美的。否则，如果它远不是线性的，您可能需要选择一个多层神经网络。如果它远远不是线性的……请转向原则1，检查您是否提取了正确的特征

原则3：更多数据帮助

---

正如你所说，你有大约20个培训“档案”。总的来说，这还不够。几乎所有的机器学习算法都是为大数据设计的。甚至他们声称他们的算法擅长学习小样本，但通常不会小到20个获取更多数据

为了澄清，您是说有一个未知函数

f

，它接受一个长度为1000的数组（“轮廓”），并产生一个标量输出（“高度”），您正在寻找一个可以学习近似

f

的算法？我对机器学习知之甚少，但我的直觉告诉我，20个训练项目可能不够（除非你能严格限制

f

可以使用的函数类型）。是的，这就是情况。我可能会将输入数组的长度从1000减少到200，但这还是太多了？这是否意味着我应该首先提取一些我怀疑起作用的特征值（多少？），然后将它们放入机器学习算法中，找出如何组合它们？我认为您仍然需要约束

f

。试想一下，有多少可能的函数可以提供20个输出。如果已知

f

是输入的线性组合，则可能是这样。但如果只有20个测试用例，则肯定不会有帮助。不，它根本不是线性组合。据我所见，山峰似乎起着最重要的作用，“山谷”应该被忽略。我玩过一些东西，比如正方形，或者（标称高度-x）的和谐平均值，或者忽略一些最小值。所有这些让我非常接近，但这还不够好，所以我认为机器学习可能会有所帮助。那么，我会求助于一些通用的方法，比如神经元网络。然而，我真的会尝试获得更多的领域知识，以获得更好的启发/解决方案。