哪种模型最适合我的数据集？
我有点不知所措，那里有大量的模型，所以要找到最适合我的数据集的模型是很困难的。我拥有的数据集如下所示
，它由雷达产生，它为它检测到的目标信号输出一行值。
划过这一行会给我以下的波，当我们在行下时，我们得到x轴上的平移，表示目标的运动，我想要给模型的数据集将具有以下特征:信号强度的两个峰值的平均值x轴平均值(乘以.77米)，对于每个目标的所有波都是这样的，因为每个目标都有这些波相关联，跟踪这些波的运动显示了距离的变化，振幅的变化等等。
显示x轴的平移，显示运动。
目前，我正在编写一个脚本，当雷达探测到某件东西并获取振幅列值并填写数据集时，它将尝试获取所有时间，如果我无法让脚本工作，我将手动完成：
链接到雷达输出的内容
https://drive.google.com/file/d/1IJOebiXuScjLPytemulcXph7ZB1X65wU/view
我将使用的模型将与雷达输出不同--这是我要为模型设置数据集的方式。
参考图片到我提到的
我还可以添加另一列，得到这些点的平均速度，因为我们有时间，雷达给出的距离。我也会有一个类似的行人数据集，第一个数据集是针对车辆的，但也会有一个针对行人的数据集，我想要一个能够预测的模型，一旦训练完成，如果目标对象是行人或给定特征的车辆。什么样的模型最适合这类数据，一个前5名的名单将是超级感谢！
谢谢
回答 1
Data Science用户
发布于 2022-04-11 01:53:17
从数据来看，我认为这是一个时刻表问题，假设您有连续的数据，“因为它是雷达”。
通常，最常用的“最佳”方法是使用堆叠的长期内存"LSTM“或它的一些变体，如GRU等。如果你想预测未来某个特定的单元格，“例如行列”。这可能有助于您开始工作：https://keras.io/examples/timeseries/
如果您试图预测整个行，我建议使用LSTM/ AutoEncoders变体，在这种情况下“应该”给您一个更好的结果-- Thats也介绍了这种方法：https://towardsdatascience.com/step-by-step-understanding-lstm-autoencoder-layers-ffab055b6352。
如果您的数据不是连续的，我建议使用卷积神经网络"CNN“--自动编码器--提取这些特征，然后将其提供给一些完全连接的层，以便输出某种分类”例如，从1-5或5-10的距离“，甚至输出实际距离，但重要的一点是，这种方法需要大量的数据点。它可以是这样的：https://keras.io/examples/audio/
有一些研究论文建议使用fft或连续小波将你的数据点转换成2D，然后将其输入CNN来提取特征，但在不同的问题中，我没有得到任何好的结果。
提前缩放数据“例如在0,1的范围之间”在这种情况下是非常重要的，因为很明显，每一列都有不同的单位。
https://datascience.stackexchange.com/questions/109862
复制相似问题
腾讯云开发者
