如何用神经网络实现连续型变量的回归预测? 举报 理由 举报 取消 我发现绝大多数用神经网络、深度学习方法解决的问题都是分类问题。对于连续型变量的回归预测问题(比如预测身高、体重、年龄、温度、质量得分),我也见过几篇用神经网络的文章,但结论都是神经网络不适用,推测原因是神经元中非线性映射函数的存在。之前一个朋友的解决方法是把连续型变量按区间划分,转化为离散的类别变量……但我总觉得这样不太好。请教各位大神们,有没有很好的用神经网络实现连续型变量回归预测的方法?或者相关的讨论或结论? 2017年5月18日 4 条回复 1759 次浏览 建模,数学,数据挖掘,模式识别,神经网络
回复 ( 4 )
神经网络当然可以做预测啦,输出层的激活函数和代价函数改改就是了,把最后一层做成线性回归模型就行。
线性回归要求因变量和自变量是线性关系。前面的隐藏层,你把它们看成把原始特征映射到一个与因变量线性相关的表达空间就行了。
直接回归目标值就行,最后一层不激活就行了。不过调参难度可能略大。
神经网络本来的初衷就是为了分类,所以当前的开源框架几乎没有现成的线性架构。
如果要做线性回归,最简单的方法就是使用训练好的模型获取特征向量,再使用这批特征向量训练线性回归模型。
另一办法就是自己写一个线性回归作为的输出层,来训练网络
同感,表示NN做回归预测的案例很少很少。
个人理解,如图:
add:
1. 前面的输入层以及隐藏层没啥说的,都一样。
2.不同的在于最后输出层(一个节点),一个sum将前一层的所有output加和输出作为预测值。