Machine learning 什么类型的神经网络用于不可分类的问题

我是机器学习新手，我正在尝试建立一个网络，它不会预测给定输入的标签。相反，它应该在一系列值中猜测结果，例如：

a_old = [5.5, 3.4 , 1.1] , x = 1.732 , y = 2.223 , z = -1.444 
=======> a_new = [6.6 , 5.1, 0.9] 

网络应该预测一个新的，但是一个新的是一个三维向量，它的值范围很大，因此我不能仅仅创建10^15个不同的标签来分类它

---

对于这类问题，我需要哪种类型的神经网络。甚至有可能吗？

尽管@josef morgen的评论更有意义，但如果你想通过神经网络实现这一点，没有理由不可以，神经网络实际上不会打印标签，它会打印每个类的值，我们将它们最大化以获得预测的标签（我指的是简单分类任务的情况）

神经网络的一个节点实际上很像一个回归分类器，因此一个密集的网络可以学习一个比回归更复杂的函数

---

对于您的特殊情况，我建议您使用相同格式的数据，并使用均方误差作为损失。它应该可以工作

您可以为您的网络选择任何架构，然后使用线性激活函数作为输出+均方误差损失。例如：

model = Sequential()
model.add(Dense(150, input_dim=n, kernel_initializer='glorot_uniform', activation='relu'))
model.add(Dense(30, kernel_initializer='glorot_uniform', activation='relu'))
model.add(Dense(1, kernel_initializer='glorot_uniform', activation='linear'))
model.compile(loss='mse', optimizer=optimizers.adam(lr=0.01))

---

这就是所谓的回归