这个任务的机器学习算法？

Question

试图编写一些处理此任务的代码：

• 作为起点，我有大约20个“轮廓”(假设一个景观轮廓)，即一维数组，大约1000个实数。
• 每个剖面都有一个实际值的期望结果，即“有效高度”。
• 有效高度是某种平均的，但峰的高度、宽度和位置起着特殊的作用。
• 我的目标是从输入数据中归纳出进一步轮廓的有效高度。

f 29

有没有一种机器学习算法或原理可以帮助？

Answer 1

原则1:提取最重要的特性，而不是向它提供所有

正如你说的，“有效高度是某种平均值，但峰的高度、宽度和位置起着特殊作用。”因此，您有一个强先验假设，，这些度量对于学习是最重要的。如果我是你，我会先计算出这些指标，然后用它们作为学习的输入，而不是原始数据。

原理2:在选择学习算法时，首先要注意的是线性可分性。

假设高度是这些度量的函数，那么您必须考虑函数在多大程度上是线性。例如，如果这个函数几乎是线性的，那么一个非常简单的感知器就会是完美的。否则，如果它不是线性的，你可能想要一个多层的神经网络。如果它与linear....please相去甚远，请转到原则1，并检查您是否提取了正确的特性。

原则3:更多数据帮助

就像你说的，你有大约20个“个人资料”用于培训。一般来说，这还不够。几乎所有的机器学习算法都是为大数据而设计的。甚至他们都声称他们的算法善于学习小样本，但通常不会小到20。获得了更多的数据！

Answer 2

也许多元线性回归就够了？

Answer 3

我可能会结合您所说的哪些特性起着最重要的作用，然后在此基础上进行回归。基本上，您至少需要一个对应于每个特性的系数，并且需要比系数更多的数据点。所以，我会选择两个最大的山峰的高度和宽度。现在，您已经将每个配置文件减少到只有4个数字。现在做这个技巧:将数据分成5组，4组，选择前4组。将所有这些配置文件减少到4个数字，然后使用期望的结果来进行回归。一旦你训练了回归，在最后的4个点上试试你的技巧，看看它的效果如何。重复此过程5次，每次遗漏一组不同的数据。这叫做交叉验证，而且非常方便。

显然，获取更多的数据会有帮助。