Neural network 哪种预测建模技术最有帮助？

我有一个训练数据集，根据过去几年（2005-2007年）的表现，为我提供了各种板球运动员（2008年）的排名

我必须使用这些数据开发一个模型，然后将其应用于另一个数据集，以使用已经提供给我的数据（2009-2011）预测玩家排名（2012年）

---

哪种预测模型最适合这种情况？使用不同形式的回归或神经网络的优缺点是什么？

使用的模型类型取决于不同的因素：

• 数据量：如果数据很少，最好选择简单的预测模型，如线性回归。如果您使用的预测模型过于强大，您将面临过度拟合模型的风险，其结果是它会对新数据产生不良影响。现在你可能会问，什么是小数据？这取决于输入维度的数量和数据的基本分布
• 您对模型的体验。如果你对神经网络没有什么经验，那么它的处理可能会相当棘手。有很多参数需要优化，比如网络层结构、迭代次数、学习速率、动量项等等。相对于这种“元优化”，线性预测更容易处理

如果您仍然无法选择其中一种方法，那么对您来说，一种实用的方法是评估两种不同的预测方法。您在已有目标值的情况下获取一些数据（2008年数据），将其分为培训数据和测试数据（例如，将约10%作为测试数据），使用交叉验证进行培训和测试，并通过将预测值与已有目标值相比较来计算错误率

---

C.Bishop的《模式识别和机器学习》一书也在网上。它有一个很好的预测模型介绍部分。

使用的模型类型取决于不同的因素：

• 数据量：如果数据很少，最好选择简单的预测模型，如线性回归。如果您使用的预测模型过于强大，您将面临过度拟合模型的风险，其结果是它会对新数据产生不良影响。现在你可能会问，什么是小数据？这取决于输入维度的数量和数据的基本分布
• 您对模型的体验。如果你对神经网络没有什么经验，那么它的处理可能会相当棘手。有很多参数需要优化，比如网络层结构、迭代次数、学习速率、动量项等等。相对于这种“元优化”，线性预测更容易处理

如果您仍然无法选择其中一种方法，那么对您来说，一种实用的方法是评估两种不同的预测方法。您在已有目标值的情况下获取一些数据（2008年数据），将其分为培训数据和测试数据（例如，将约10%作为测试数据），使用交叉验证进行培训和测试，并通过将预测值与已有目标值相比较来计算错误率

C.Bishop的《模式识别和机器学习》一书也在网上。它有一个关于预测模型的介绍性章节

哪种预测模型最适合这种情况？2.优点是什么 以及使用不同形式的回归或神经网络的缺点 网络

“什么是最好的”取决于你拥有的资源。完全贝叶斯网络（或k-依赖贝叶斯网络）具有从理论上学习到的信息图，是最终的“无假设”模型，通常表现非常好。复杂的神经网络也可以表现出色。这类模型的问题是，它们的计算成本非常高，因此采用近似方法的模型可能更合适。回归、神经网络和贝叶斯网络在数学上有相似之处

回归实际上是一种简单的神经网络形式，对数据有一些额外的假设。神经网络的构建可以减少对数据的假设，但正如Thomas789所指出的，其代价是更难理解（有时难以调试）

作为经验法则-模型中的假设和近似越多，就越容易理解a：理解和B：找到必要的计算能力，但可能以性能或“过度拟合”为代价（此时模型很适合训练数据，但不能外推到一般情况）

免费网上书籍：

哪种预测模型最适合这种情况？2.优点是什么 以及使用不同形式的回归或神经网络的缺点 网络

“什么是最好的”取决于你拥有的资源。完全贝叶斯网络（或k-依赖贝叶斯网络）具有从理论上学习到的信息图，是最终的“无假设”模型，通常表现非常好。复杂的神经网络也可以表现出色。这类模型的问题是，它们的计算成本非常高，因此采用近似方法的模型可能更合适。回归、神经网络和贝叶斯网络在数学上有相似之处

回归实际上是一种简单的神经网络形式，对数据有一些额外的假设。神经网络的构建可以减少对数据的假设，但正如Thomas789所指出的，其代价是更难理解（有时难以调试）

作为惯例