我正在训练基于多个变量预测单个值y(连续) 。这些是与使用不同技术对相同值的各种测量相关的变量——其中一些可能无关紧要。[0,1]x1, ..., x45
1) 使用 CNN 有意义吗?我读到它最适合图像识别/分类之类的东西,但显然情况并非如此
2) 哪个神经网络效果最好?基准将是朴素的线性回归和平均值x
我正在训练基于多个变量预测单个值y(连续) 。这些是与使用不同技术对相同值的各种测量相关的变量——其中一些可能无关紧要。[0,1]x1, ..., x45
1) 使用 CNN 有意义吗?我读到它最适合图像识别/分类之类的东西,但显然情况并非如此
2) 哪个神经网络效果最好?基准将是朴素的线性回归和平均值x
自从你的结果受到限制,您应该检查“beta回归”,其中结果被“挤压”到区间中. 在此处查看 R 中的示例:http ://r-statistics.co/Beta-Regression-With-R.html
据我所知,没有“现成的” NN 相当于 beta 回归。
您当然可以使用“正常”NN 进行回归,使用带有 sigmoid 输出层的密集层。即使用正常的回归设置并将最后一层更改为具有 sigmoid 输出(介于 0,1 之间)。
同样有趣的是增强的 beta 回归:https ://cran.r-project.org/web/packages/betaboost/betaboost.pdf
Beta 回归也可用于 GAM(广义加性模型),它在处理非线性方面非常灵活(https://stat.ethz.ch/R-manual/R-patched/library/mgcv/html/Beta.html)。
最终,根据您的目标和二级限制,您需要检查哪种方法适合您。(可能)也可以使用普通的增强方法(例如LightGBM或Catboost)——因此没有 beta 链接功能。在这种情况下,一些可能或者. 如果您不太关心少数“超调”预测,您也可以通过“正常”回归获得良好的结果。