Neural network 神经网络是否适用于数据（输入和输出）连续的监督学习？_Neural Network_Regression_Cart_Recurrent Neural Network_Supervised Learning

Neural network 神经网络是否适用于数据（输入和输出）连续的监督学习？

neural-network

Neural network 神经网络是否适用于数据（输入和输出）连续的监督学习？,neural-network,regression,cart,recurrent-neural-network,supervised-learning,Neural Network,Regression,Cart,Recurrent Neural Network,Supervised Learning,我正在研究一个回归模型，其中包含玻璃制造项目的158个输入和4个输出，这是一个连续的输入和输出过程。对于这种回归模型，使用神经网络是合适的解决方案吗？如果是，我知道递归神经网络可以用于时间序列数据，我应该使用哪个递归神经网络？如果不适合使用神经网络，那么除了线性回归和回归树之外，还有哪些类型的解决方案可用？神经网络确实适合于连续数据。事实上，我会说，默认情况下，它是连续的。当然，可以有离散的I/O，这完全取决于您的函数其次，在某种程度上，RNN确实适用于时间序列。RNN实际上比时间戳更适合时间

我正在研究一个回归模型，其中包含玻璃制造项目的158个输入和4个输出，这是一个连续的输入和输出过程。对于这种回归模型，使用神经网络是合适的解决方案吗？如果是，我知道递归神经网络可以用于时间序列数据，我应该使用哪个递归神经网络？如果不适合使用神经网络，那么除了线性回归和回归树之外，还有哪些类型的解决方案可用？

神经网络确实适合于连续数据。事实上，我会说，默认情况下，它是连续的。当然，可以有离散的I/O，这完全取决于您的函数

其次，在某种程度上，RNN确实适用于时间序列。RNN实际上比时间戳更适合时间步长。RNN是通过迭代工作的。通常，每次迭代都可以看作是时间上的一个固定步骤。这就是说，如果您的数据更像

（日期、值）

（我称之为时间戳），那么它可能不太好。这并非绝对不可能，但这不是我们的想法

希望它有帮助，从简单的RNN开始，试着理解它是如何工作的，然后，如果你需要更多，阅读更复杂的单元