Типа модели использования зависит от различных факторов:
- объема данных: если у вас есть очень мало данных, то лучше сделать выбор в пользу простой модели прогнозирования как линейная регрессия. Если вы используете слишком сильную модель прогнозирования, вы рискуете переопределить свою модель с эффектом, который он плохо влияет на новые данные. Теперь вы можете спросить, что такое маленькие данные? Это зависит от количества входных измерений и от базовых распределений ваших данных.
- Ваш опыт работы с моделью. Нейронные сети могут быть довольно сложными, если у вас мало опыта с ними. Существует немало параметров для оптимизации, таких как структура сетевого уровня, количество итераций, скорость обучения, момент импульса, просто некоторые из них. Линейное прогнозирование намного проще в обращении по отношению к этому «мета-оптимизации»
Прагматичный подход для вас, если вы все еще не можете выбрать один из методов, было бы оценить несколько различных методов прогнозирования , Вы берете некоторые из своих данных, в которых у вас уже есть целевые значения (данные за 2008 год), разделяйте их на учебные и тестовые данные (например, примерно 10% в качестве тестовых данных), тренируйтесь и проверяйте с помощью кросс-валидации и вычисляйте коэффициент ошибок по сравнивая предсказанные значения с целевыми значениями, которые у вас уже есть.
Одна замечательная книга, которая также находится в Интернете, является Распознавание образов и машинное обучение C. Bishop. У этого есть большой вводный раздел относительно моделей прогнозирования.