Neural network 回归还是分类？

当使用神经网络预测制造过程的误差百分比时，如果有一些输入超出我们的控制（随机），最好使用回归还是分类

例如

---

一个输出的错误率范围为-900%到+900%，平均和中值错误率为9%（这是一条厚尾钟形曲线）。我们应该使用回归并尝试预测误差量，还是从中位数将误差分为SIGMA，例如，从中位数900%是5 SIGMA。因此，我们将有11个类别-5到+5

输出取决于您的用例，远远超过数据。一旦这个模型被训练，你将通过给它一个输入向量，一系列的输入来使用它。您的模型将生成一个输出编号。你打算用这个输出号码做什么？为了论证，让我们考虑两个类似的预测，从积极的方面看。 您的输出为+2、+2（分类）或+350%、+380%（回归）

您是否需要对两个输出做出相同的反应？在大约+2的情况下，是否所有的东西都得到了相同的处理——如果是这样，你有明确的分类理由——或者在相对大小的基础上有轻微的差异——这表明了一个回归模型

---

另外，您正在考虑哪些车型？如果你已经选择了一个相对简单的人工神经网络，那么你可以把它变成一个回归模型，并在预测中获得额外的“准确性”。如果您发现某些非线性函数或类别的简单性（与试验回归方程的各种非线性项相反）有优势，请使用分类方法。

输出取决于您的用例，而不是数据。一旦这个模型被训练，你将通过给它一个输入向量，一系列的输入来使用它。您的模型将生成一个输出编号。你打算用这个输出号码做什么？为了论证，让我们考虑两个类似的预测，从积极的方面看。 您的输出为+2、+2（分类）或+350%、+380%（回归）

您是否需要对两个输出做出相同的反应？在大约+2的情况下，是否所有的东西都得到了相同的处理——如果是这样，你有明确的分类理由——或者在相对大小的基础上有轻微的差异——这表明了一个回归模型

---

另外，您正在考虑哪些车型？如果你已经选择了一个相对简单的人工神经网络，那么你可以把它变成一个回归模型，并在预测中获得额外的“准确性”。如果您发现某些非线性函数或类别的简单性（与试验回归方程中的各种非线性项相反）有优势，请使用分类方法。

可能是回归，如果必要，您可以稍后将范围划分为“类”。可能是回归，如果有必要，你可以稍后将范围划分为“类”。谢谢，这些问题帮助我做出了明智的决定。最终回归是最有意义的，最适合回归的模型组合和数据中的方差（输入到它们的过程中）意味着分类最终会有太多的类别而没有意义。谢谢，这些问题帮助我做出了明智的决定。最终回归是最有意义的，最适合回归的模型组合和数据中的方差（输入到它们的过程中）意味着分类最终会有太多的类别而没有意义