Statistics 具有目标函数的多元映射/回归
概述Statistics 具有目标函数的多元映射/回归,statistics,neural-network,regression,svm,Statistics,Neural Network,Regression,Svm,概述 我有一个维数为N的“输入”的多元时间序列,我想映射到维数为M的输出时间序列,其中M
我有一个维数为N的“输入”的多元时间序列,我想映射到维数为M的输出时间序列,其中M
我不知道特定对之间的关系,而是对输出时间序列的整体适合度有一个看法,即适合度由完整输出序列上的惩罚函数控制 我想确定映射/回归函数“f”,其中: O[t]=f(θ,I[t]) 使惩罚函数p(O)最小化: minarg P( f(theta, I) ) theta 米纳格P(f(θ,I)) 西塔 [请注意,惩罚函数p是将f的多个应用程序生成的结果序列应用到I[t]的时间序列中。也就是说,f是I[t]的函数,而不是整个时间序列] I和O之间的映射非常复杂,我不知道什么函数应该构成它的基础。因此,我们必须用一些基函数进行实验 对实现这一目标的一种方法有自己的看法,但不想对提案产生偏见
想法?。。。取决于您对最优映射和惩罚函数的定义。我不确定这是否是你要走的方向,但这里有几个建议:
- 例如,您可以找到从高维空间到低维空间的数据映射,该映射试图保持数据点之间的原始相似性(类似于多维缩放[MDS])
- 或者,您可以选择将数据映射到较低的维度,以尽可能多地解释数据的可变性(主成分分析[PCA])