Machine learning 深入学习预测温度

假设我有一个训练数据。我针对整数温度（如1,2,3,4,5度）训练模型。基本上，这些输出温度就是标签。我如何预测介于两个温度之间的值，比如2.5度。不可能针对每个温度值进行训练。我怎样才能做到这一点呢？

听起来好像你已经接受过离散分类的训练，但你想要连续的输出。切换算法进行回归，而不是分类

另一种可能是利用最后一层输出进行插值。使用为最上面的选项及其相邻的最强选项指定的权重。例如，如果您的分类给出

1  .01
2  .05
3  .56
4  .24
5  .14

。。。您可以使用56个部分

3

和24个部分

4

进行插值，以获得

3.7度

作为输出

这有用吗

更新

（1） 如何从分类切换到回归

这对于堆栈溢出来说太宽了；你需要先做研究。两者之间的区别并非微不足道。您需要问一个特定的问题，这需要发布一个新的问题，其中包括您当前的代码和您为实现切换所做的工作

（2） 当我从输出预测值时，我如何知道我正在寻找3.7度

当你在预测时，你不知道；这将是培训的一个问题。我举的例子只是一个可能结果的说明。我发明了一个例子，因为你没有给出数据的细节

（3） 我应该选择谁的部分

---

我建议您选择最上面的猜测（这将是您的整数值分类），以及更可能的相邻值。在我的例子中，

3

是最重要的猜测。查看

2

和

4

，发现

4

比

2

更有可能，因此使用

4

作为插值的另一个端点。

是的，答案很接近。我在考虑做插值，但它的精确度如何？我如何从分类转换到回归？另外，当我从输出预测值时，我如何知道我正在寻找3.7度或我应该选择哪个部分@请允许我澄清一下。答案3是完美的。对于我来说，我需要学习更多。2与3相关