在数据(输入和输出)是连续的情况下，神经网络是否适合监督学习？
在数据(输入和输出)是连续的情况下，神经网络是否适合监督学习？
提问于 2017-07-06 19:12:53
我正在研究玻璃制造项目的一个回归模型，该模型有158个输入和4个输出，这是一个输入和输出的连续过程。对于这类回归模型，神经网络的使用是否合适？如果是，我知道递归神经网络可以用于时间序列数据，我应该使用哪个递归神经网络？如果不适合使用NN，除了线性回归和回归树之外，还有哪些其他类型的解决方案可用？
回答 1
Stack Overflow用户
发布于 2017-07-07 00:25:59
神经网络确实适用于连续数据。事实上，默认情况下它是连续的。当然，可以使用离散的I/O，这完全取决于您的函数。
其次，在某种程度上，RNN确实适用于时间序列。RNN实际上比时间戳更适合于时间步长。RNN是通过迭代工作的。通常，每一次迭代都可以看作是时间上的固定前进一步。这就是说，如果你的数据更像(date, value) (我称之为时间戳)，它可能就不那么好了。这并不是绝对不可能的，但这不是我们的想法。
希望它能有所帮助，从简单的RNN开始，试着理解它是如何工作的，然后，如果你需要更多，阅读更复杂的单元。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/44947318
复制相关文章
相似问题
腾讯云开发者
