使用neural network来预测下一个结果
我正在努力了解如何使用neural network来预测一些值。
据我所知,我可以用一些时间序列训练我的neural network。
所以,如果我有,例如,特定股票的日常报价,我可以用这些值来训练networking。
但是,如果我将日常的报价作为一个向量[42, 12, 20, 53, 18]
并且我想预测下一个值,那么它是不是只有公式Y = 0.7X + 31.1
的线性回归问题Y = 0.7X + 31.1
,下一个(第6个)的值为26.9
?
neural network仅在输出依赖于许多input时才有用吗? 有人能告诉我一个如何在时间序列中预测下一个结果的实际例子,表明使用neural network而不是多元回归更有用吗?
例如,我曾看过synaptic.js ,但没有提供任何预测结果的简单例子。
我对neural network非常陌生,所以如果这个问题真的很愚蠢,我很抱歉:-D
您可以按以下方式使用循环neural network进行此类任务:
- input:作为一个input采取没有最后一个股票价格序列。
- 产出:作为一个产出,没有第一个股票价格的序列。
- 拓扑结构和networking细节:build立一个循环的neural network(例如通过使用GRU或LSTM单元)以给定input的方式,它必须预测下一步。 因此,举例来说
[42, 12, 20, 53]
作为input应该产生[12, 20, 53, 18]
作为输出(我正在使用你给出的一个例子序列)。 - 预测步骤:如果要预测networking的下一个结果 – 只需将您的networking连接到您的networking,并将最后一个输出作为预测。
如果您有一个由2维值组成的数据集,并且您从绘图等知道数据的最佳匹配函数是线性函数,实际上是一条直线,则可以简单地应用线性回归来适合您的数据,或一个感知器(这是相同的)。
由于函数模板(用于线性回归的模型f(x)=mx+b
是f(x)=mx+b
,其中m
和b
是诸如梯度下降等algorithm的可调参数。
例如,如果您知道与您的数据匹配的函数必须是比线性函数高的多项式,则可以将多元回归用于更复杂的模型或neural network。 function模型的复杂性在于由隐藏层的大小和数量定义的neural network的情况下。
我相信这取决于哪一种algorithm优于其他algorithm。