Le réseau de neurones convient-il à l'apprentissage supervisé où les données (entrées et sorties) sont continues?

Question

Je travaille sur un modèle de régression avec un ensemble de 158 entrées et 4 sorties de projet de fabrication de verre qui est un processus continu d'entrées et de sorties. L'utilisation de Neural Net est-elle une solution appropriée pour ce genre de modèles de régression? Si oui, j'ai compris que les réseaux neuronaux récidivants peuvent être utilisés pour les séries chronologiques, quel réseau neuronal récurrent dois-je utiliser? Si l'utilisation de NN ne convient pas, quels sont les autres types de solutions disponibles autres que les régression linéaire et les arbres de régression?

Answer 1

Les réseaux neuronaux sont en effet adaptés aux données continues. En fait, il est continu par par défaut je dirais. Il est possible d'avoir des E/S discrètes, cela dépend de vos fonctions.

Deuxièmement, il est vrai que RNN sont appropriés pour les séries temporelles, d'une manière. RNN sont en fait appropriés pour timesteps plus de timestamps. RNN travaillent par itérations. En règle générale, chaque itération peut être considérée comme un pas en avant dans le temps. Ceci dit, si vos données ressemblent plus à (date, value) (ce que j'appelle timestamp), il se peut que ce ne soit pas si bon. Ce ne serait pas absolument impossible, mais ce n'est pas l'idée. J'espère que ça aide, commencez avec RNN simple, essayez de comprendre comment cela fonctionne, puis, si vous avez besoin de plus, lisez des cellules plus complexes.