Правильно ли используется нейронная сеть для оптимизации?

Question

Я делаю проект по динамической оптимизации цен, который использует нейронную сеть. По моим знаниям нейронная сеть классически используется для классификации. В нашем контексте мы используем для прогнозирования оптимальной цены продукта. Обучая модель с уже существующей информацией о продукте. Он предсказывает оптимальную отпускную цену для продукта, используя входные данные, такие как стоимость производства, срок поставки, послепродажное обслуживание и т. Д. Для тестового набора мы получаем следующий результат после тренировки.

Actual price (Of benchmark or dataset)  Predicted by neural net 
375          394.23 
146          171.98 
1211          1210.70 

Вот мой вопрос, который сжигает меня как это непрерывный data.Here мой вопрос, который горит меня, как это непрерывные данные. Можем ли мы применять нейронную сеть и прогнозировать так, как мы это делали.

Ниже приведен набор данных поезда. Нам нужно обучить или предсказать последний столбец (отпускная цена) на основе других входных данных.

Cost ofProductDeliveryAfter
ProductnQualityTimeSales.Service
871.19011139.99895.131029.98
296.9901329.95329.73334.99
118.7901159.99129.26149.98
791.9901949.99810.68979.98
989.99011099.991054.991169.98

Мы используем нейронную сеть г библиотеки, курс обучения был 0,05 и итерация 20, задняя опора алгоритм. Я в дилемме, следует ли использовать нейронную сеть для оптимизации цен или нет. Пожалуйста, предложите мне пойти ли с нейронной сетью и принять меня в правильном направлении. Я в дилемме, следует ли использовать нейронную сеть для оптимизации цен или нет. Пожалуйста, предложите мне пойти ли с нейронной сетью и взять меня в правильном направлении. Заранее спасибо

Answer 1

Я думаю, что вы делаете, называются регрессией, не оптимизации: Вы (более или менее) при условии, что соотношение между вашим входным переменным (себестоимостью продукции, сроком поставки. ..) и цена - это (более или менее) плавная функция, и вы хотите приблизить эту функцию, используя несколько известных значений. Это регресс. И, да, для этого можно использовать нейронные сети. (Или нет это хорошее решение вашей проблемы, я не знаю. Но дело в том, что выход непрерывно самого по себе не проблемы для нейронной сети.)

Answer 2

На самом деле, я думаю, что Н являются идеально подходит для этого приложения, но все будет так, как вы собираетесь его строить. Хотя пару дней назад я дал ответ о том, как можно использовать многослойный персептрон для классификации here, я сделал это, используя непрерывный выход.

В качестве примера, где я сделал что-то подобное, рассматривается вопрос о том, как различные параметры промышленного процесса могут влиять на эффективность процесса.Я сделал это с 18 процессами и получил отличные результаты, когда экспериментировал. Что касается визуализации, я могу только показать, как влияют две независимые переменные на эффективность, в то время как все остальное является постоянным, но вы, очевидно, не связаны с этим ограничением, когда вы фактически используете NN.

graph http://i58.tinypic.com/2q2mfbd.png

потенциал трудности у вас будет в различии между интерполяции и экстраполяции, когда вы производите ваш «поверхности отклика». Интерполяция всегда следует искать - то есть вы пытаетесь научить модель со всеми экстремальными условиями, которые, по вашему мнению, вы столкнетесь. Например, если вы обучите NN для ряда примеров, которые имеют себестоимость продукции от 0,10 долл. США/кг продукта и 50 фунтов/кг продукта, вы разумно безопасны, спрашивая прогнозы в этом диапазоне. Если вы попросите предсказание чего-то стоимостью 100 фунтов/кг, вы теперь экстраполируете этот параметр, и ваши результаты могут не иметь смысла, например. в прошлом у меня были прогнозы эффективности на 120% (невозможно).

Конечно, вышеупомянутое намного легче сказать, чем сделать. Для меня это было легко, потому что я мог проверить каждую комбинацию, которую я хотел, чтобы ограничить проблему. Возможно, что ваша самая низкая производственная стоимость (т. Е. Та, которая определяет крайность в этом параметре) может иметь средние значения для других входных переменных. На самом деле это случай сбора как можно большего количества данных и наблюдения, если модель имеет смысл.

Очевидно, что вы никогда не можете быть уверены в успехе, но если у вас уже есть структура NN, я бы рекомендовал, по крайней мере, следующие изменения, прежде чем отказаться от подхода NN: - Измените правило обучения. Байесовская регуляризация всегда была значительно выше levenberg-marquardt в моих приложениях. - Измените количество нейронов в скрытом слое

Если вы используете что-то вроде Matlab для своего NN, то вы можете взорвать так много моделей за такое короткое время, вы быстро и (в основном) легко и быстро быть в состоянии определить, подходит ли эта методология.