Ist das neuronale Netzwerk für das überwachte Lernen geeignet, wo die Daten (Ein- und Ausgänge) kontinuierlich sind?

Question

Ich arbeite an einem Regressionsmodell mit einem Satz von 158 Inputs und 4 Outputs eines Glasherstellungsprojekts, das ein kontinuierlicher Prozess von Inputs und Outputs ist. Ist die Verwendung von Neural Net eine geeignete Lösung für solche Regressionsmodelle? Wenn ja, habe ich verstanden, dass rekurrente neuronale Netze für Zeitreihendaten verwendet werden können, welches rekurrente neuronale Netz soll ich verwenden? Wenn die Verwendung von NN nicht geeignet ist, welche anderen Arten von Lösungen sind neben den linearen Regressions- und Regressionsbäumen verfügbar?

Answer 1

Neuronale Netze sind in der Tat für kontinuierliche Daten geeignet. In der Tat ist es kontinuierlich von Standard würde ich sagen. Es ist möglich, diskrete I/O sicher zu haben, alles hängt von Ihren Funktionen ab.

Zweitens ist es richtig, dass RNN für Zeitreihe, in einer Weise geeignet sind. RNN sind tatsächlich geeignet für Zeitschritte mehr als Zeitstempel. RNN arbeiten durch Iterationen. Typischerweise kann jede Iteration als ein fester Schritt in der Zeit angesehen werden. Das heißt, wenn Sie Daten wie (date, value) (was ich Zeitstempel nennen), kann es nicht so gut sein. Es wäre nicht absolut unmöglich, aber das ist nicht die Idee.

Ich hoffe, es hilft, mit einfachen RNN zu beginnen, zu verstehen, wie es funktioniert, dann, wenn Sie mehr brauchen, lesen Sie über komplexere Zellen.