使用神经网络预测下一个结果

时间:2016-08-08 22:52:00

标签: javascript node.js neural-network recurrent-neural-network

我正在努力了解如何使用神经网络来预测某些值。

据我了解,我可以用一些时间序列来训练我的神经网络。

因此,如果我有特定股票的日常报价,我可以使用这些值训练网络。

但是,如果我将日常报价作为向量[42, 12, 20, 53, 18]并且我想预测下一个值,那么它不会仅仅是公式Y = 0.7X + 31.1的线性回归问题,屈服26.9作为下一个(第6个)值?

神经网络只在输出依赖于许多输入时才有用吗?有人能告诉我一个如何预测时间序列中下一个结果的工作实例,该时间序列表明使用神经网络而不是多元回归更有用吗?

例如,我看过synaptic.js,但他们没有提供任何简单的例子来预测结果。

我是神经网络的新手,所以如果这个问题真的很蠢,我很抱歉:-D

2 个答案:

答案 0 :(得分:1)

您可以通过以下方式将回归神经网络用于此类任务:

  1. 输入作为输入,获取一系列股票价格而不是最后一个。
  2. 输出:作为输出,在没有第一个的情况下获取一系列股票价格。
  3. 拓扑和网络详细信息:以给定输入的方式构建循环神经网络(例如,通过使用 GRU LSTM 单位)它必须预测下一步。因此,例如,将[42, 12, 20, 53]作为输入提供应该生成[12, 20, 53, 18]作为输出(我使用您给出的示例序列)。
  4. 预测步骤:如果您想预测网络的下一个结果 - 只需使用您拥有的序列提供网络,并将最后一个输出作为预测。

答案 1 :(得分:0)

如果您的数据集由例如2维值组成,并且您从绘图等知道对数据的最佳匹配函数是线性函数,实际上是直线,您可以简单地应用线性回归来拟合您的数据或单个感知器(相同)。

由于线性回归的功能模板(模型)为f(x)=mx+b,因此mb是梯度下降等算法的可调参数。

如果您知道匹配数据的函数(例如,必须是比线性函数更高的多项式),则可以将多元回归应用于更复杂的模型或神经网络。功能模型的复杂性是在由隐藏层的大小和数量定义的神经网络的情况下。

我确信这取决于哪个算法优于另一个算法的问题。