有一个工厂的数据集,它根据数字输入产生某些数字输出。该数据集每15分钟包含几年的输入值和输出值。
由于在软件中对系统的物理属性进行建模的成本太高,因此我想使用机器学习创建一个模型,其行为就像系统一样。输入输入时,模型应提供输出。
对于该解决方案,我测试了前馈神经网络。结果还可以,但在某些情况下太不准确。
还有什么其他方法可以解决这个问题?
最佳答案
如果是时间序列任务,您可以使用神经网络或 LSTM 网络的 NARX 架构。后来就像NARX一样,是一个循环神经网络。 Matlab 提供了第一个的实现。
https://en.m.wikipedia.org/wiki/Nonlinear_autoregressive_exogenous_model
https://en.m.wikipedia.org/wiki/Long_short-term_memory
如果您“只是”想要将多项式拟合到您的数据中,您可以使用具有不同阶多项式的基本线性回归来查看哪一个效果最好。 注意:它不称为线性,因为它只能拟合线性模型。
https://en.m.wikipedia.org/wiki/Linear_regression
其他一些可能性是核方法,例如核岭回归或 SVR。后来的一个基于支持向量机,通常表现得很好(至少根据我个人的经验进行分类)。 如果你想尝试 SVR,你可以使用一个小而强大的库,称为 libSVM。 Matlab 也提供此功能。
以下链接显示了该算法的比较:
http://scikit-learn.org/stable/auto_examples/plot_kernel_ridge_regression.html
编辑:如果我理解正确的话,如果您想从给定时间预测 future 时间
。尝试 NARX 模型或 LSTM 网络。t+1
的输出,那么这是一个时间序列任务>t
关于machine-learning - 使用机器学习绘制植物 map ,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47728140/