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)Neural network 哪种预测建模技术最有帮助?,neural-network,regression,linear-regression,data-analysis,random-forest,Neural Network,Regression,Linear Regression,Data Analysis,Random Forest,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
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李>
- 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
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李>
- 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