Мне было интересно, какой из лучших методов машинного обучения приближает функцию, которая принимает 32-битное число и возвращает еще 32-битное число из набора наблюдений.Лучшая техника для аппроксимации 32-битной функции с использованием машинного обучения?
Спасибо!
Многоуровневые нейронные сети персептрона заслуживают внимания. Хотя вам нужно обработать входы с числом с плавающей запятой между 0 и 1, а затем отобразить выходные данные в исходный диапазон.
Как вы думаете, это будет эффективно? – user1234299
Да. Если есть функция, она должна быть способна ее идентифицировать. Если вы посмотрите на теорию, касающуюся многослойных персептронов, вы поймете, что она может изучить любую функцию, если вы используете 3 скрытых слоя. Что касается количества нейронов в каждом слое, вам придется немного поиграть с ним, обычно немного больше, чем количество входов - это все, что вам нужно. – RutledgePaulV
По сути, один скрытый слой позволяет вам разделиться на частично ограниченные пространства, два слоя позволяют вам определить одно ограниченное пространство, а три слоя позволяют вам несколько ограниченных пространств. Если я правильно помню ..;) – RutledgePaulV
Есть несколько возможных решений вашей проблемы:
1.) фитинга линейной гипотезы с методом наименьших квадратов
В этом случае, вы аппроксимирующих гипотезу у = ах + Ь с наименее квадратов. Это действительно легко реализовать, но иногда линейная модель недостаточно хороша для ваших данных. Но ... я сначала попробую попробовать.
Хорошо, что существует закрытая форма, поэтому вы можете напрямую рассчитать параметры a и b из ваших данных.
2.) Установочный нелинейную модель
После того, как увидел, что ваша линейная модель не описывает вашу функцию очень хорошо, вы можете попробовать, чтобы соответствовать более полиномиальные модели к данным.
Ваша гипотеза, то может выглядеть
у = ax² + Ьх + с
у = ax³ + bx² + сх + d
т.д.
Вы можете также используйте метод наименьших квадратов для подгонки ваших данных и методы из типов градиентного спуска (имитированный отжиг, ...). См. Также эту тему: Fitting polynomials to data
Или, как и в другом ответе, попробуйте установить нейронную сеть - хорошо, что она автоматически выучит гипотезу, но не так просто объяснить, какая связь между входными и выход есть. Но, в конце концов, нейронная сеть также представляет собой линейную комбинацию нелинейных функций (таких как сигмоидные или tanh-функции).
Не могли бы вы немного рассказать о своей цели? существует множество методов, ни одна из которых не может считаться лучшей для одного входа и одного выходного значения. каковы ваши наблюдения, количество точек данных, шум данных и т. д. – Regenschein
Конечно. Я использую метод черного ящика для сопоставления определенных значений с функцией f: (x1, y1), (x2, y2), .. (xn, yn), где xs и ys - 32-битные числа, я должен аппроксимировать или получим x * для некоторого y *, который я знаю заранее, например f (x *) = * y. Нет шума, и я могу задать больше для получения дополнительных данных, если это необходимо. – user1234299