我有一个训练数据集，根据他们在过去几年（2005-2007）的表现，给出了各种板球运动员（2008年）的排名。
我将使用这些数据开发模型，然后将其应用于另一个数据集，以使用已经提供给我的数据（2009-2011）预测玩家的排名（2012）。
哪种预测建模最适合这种情况？使用不同形式的回归或神经网络的利弊是什么？
答案 0 :(得分：2)
要使用的模型类型取决于不同的因素：
如果您仍然不能选择其中一种方法，那么实用的方法是评估几种不同的预测方法。您可以获取已有目标值（2008数据）的一些数据，将其分为训练和测试数据（例如，将测试数据作为测试数据占10％），使用交叉验证进行训练和测试，并计算错误率将预测值与您已有的目标值进行比较。
一本伟大的书，也在网上，是C.毕晓普的模式识别和机器学习。它有一个关于预测模型的很好的介绍部分。
答案 1 :(得分：1)
- 哪种预测模型最适合这种情况？ 2.什么是专业人士 和利用不同形式的回归或神经 网络？
“什么是最好的”取决于你拥有的资源。具有信息理论学习图的全贝叶斯网络（或k-依赖贝叶斯网络）是最终的“无假设”模型，并且通常表现非常好。复杂的神经网络也可以表现出色。这些模型的问题在于它们的计算成本非常高，因此采用近似方法的模型可能更合适。连接回归，神经网络和贝叶斯网络存在数学上的相似性。
回归实际上是神经网络的一种简单形式，对数据有一些额外的假设。可以构建神经网络以减少对数据的假设，但正如Thomas789所指出的那样，代价是难以理解（有时难以调试）。
根据经验，模型中的假设和近似值越多，对A的理解就越容易：理解和B：找到必要的计算能力，但可能以性能或“过度拟合”为代价（这是模型很适合训练数据，但不能推断一般情况。）
免费在线图书：