我有一个带有多个参数（材料、重量、尺寸、制造复杂性……）的备件清单。对于此列表中的某些部件，价格要么尚未设定，要么必须调整以与其他部件保持一致。这个数据集中有一些明显而简单的相关性，例如：
试图用手找出所有这些规则并将它们粘在一起似乎是一项无止境的努力，所以我想用定价零件的参数（输入）和价格（输出）训练一个神经网络，让它计算出价格还没有价格的部分。NN 的决策可以由了解零件并可以手动计算价格的专家监督。
问题 1）一般来说这是一个好主意吗？
问题 2）如果是，哪种类型的神经网络最适合此类问题？
问题 1）一般来说这是一个好主意吗？
将此问题作为监督学习回归问题来解决是一个绝妙的想法，并且这种解决方案将极大地使您的公司受益，因为它比确定性方法更容易转化为其他相似和不同的问题。
然而，使用神经网络来解决这个监督学习回归问题可能是一个非常糟糕的主意。神经网络可以为某些问题增加巨大的价值，是解决计算能力不是问题的复杂问题的最佳算法之一，并且对机器学习和人工智能的未来具有迷人的影响。但是......它们可能很难训练，需要大量计算能力，需要大量数据，并且在许多情况下表现不佳。
我建议您使用线性回归来确定问题的范围，然后尝试使用支持向量回归器（SVM、SVR）或朴素贝叶斯回归器。SVR 中的模拟方法在数据有限的情况下工作得非常好，并提供了令人惊讶的准确结果。
问题 2）如果是，哪种类型的神经网络最适合此类问题？
如果您必须使用神经网络，请尝试解决问题。从前馈神经网络开始。请注意，它的性能可能会低于 SVR。然后考虑转向卷积神经网络。同样，这可能是一个非常糟糕的方法。先尝试线性回归，然后再尝试其他方法。
向前进
python中的Scikit-Learn 、Java 中的H20或Weka的文档提供了非常浅的学习曲线，可以跳上旋转木马并进行一两次旋转。请确保您彻底了解交叉验证和评分指标，因为这对于持续、充分的进展至关重要。
希望这可以帮助！
是的，您可以使用神经网络或任何其他类似回归的算法来完成此任务。您可以使用很多算法。一个简单的前馈网络就足够了。虽然，如果您不是机器学习专家（我假设您不是基于您的问题），我建议您坚持使用像 OLS 这样不那么令人兴奋的东西。它更容易实现。
然后你只需要花一些时间做大量的特征工程。这样您不仅可以为模型提供原始变量，还可以提供有意义的特征。例如，尺寸 * 复杂度 * 材料等特征的组合将提供很多模型可供使用。