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?
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
(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