Question

我有一个数据集，包括流量性能的速率与时间数据。它的结构通常如下：

time = [1,2,4,5,6,7, 8, 9 10]
rate = [100, 62, 40, 31, 25, 21, 18, 16, 14, 13]

此数据由以下形式的双曲线递减模型描述：

Q = Qi*(1+Di*b*Ti)^-(1/b)

有约束：

0 <b <= 2
Di > 0
Qi > 0
Ti = time(i)

尽管数据非常嘈杂，但在很多情况下，上面的等式非常非常好地描述了数据，并且使用类似最小二乘曲线拟合方法的方法，您经常得到人类解释器将验证的答案。

然而，有些情况下，数学上最好的解决方案不是理想的解决方案（人类解释器强调忽略噪声和匹配晚期数据），因此人工解释器需要覆盖结果。显然，该解决方案不是唯一的，因此有许多可接受的答案

我已经完成了近4000个速率 - 时间对的数据集，并手动评估了最小二乘法生成的解决方案，并在必要时进行了纠正。

我的问题：我想训练一个模型来“猜测”上面等式中Qi，Di和b的最佳解决方案，我手动评估的数据集作为训练数据。这是实现神经网络的有效用例吗？

Answer 1

如果您已经具有参数的拟合函数，则不需要使用神经网络。您可以根据真实值和预测值简单地构造误差函数，并最小化它对参数的拟合。您需要实际使用神经网络来构建您已有的假设函数。