具有可变大小输入的多元回归

Question

我要适合机器/深度学习模型以适合下表数据格式 F1-F5是要素，Y被捕获是一个随机的时间间隔。

F1    F2    F3    F4    F5    Y
11    12    13    14    15    
.                             
.                             
.                             
n1    n2    n3    n4    n5    2.3
n+11  n+12  n+13  n+14  n+15
.
.
n+x1  n+x2  n+x3  n+x4  n+x5  3.5

我很困惑是否要使用CNN方法，在11-n1的每一行中乘以1 * 5大小的内核，然后尝试通过将和与Y匹配来学习。 请建议我如何处理此类数据。

注意： F1-F5是记录数据的传感器，每个传感器都有明确的用途。

Answer 1

如果您的功能不相关，则您必须使用所有五个功能。但仍然有5个并不大，因此您无需申请CNN。 CNN用于图像中，以减少图像中大量特征所需的参数数量。 200 * 200的图像具有40000个特征，如果我们构建神经网络，则可能需要数十万甚至数百万个参数。这就是我们在这种情况下选择CNN的原因。但是在您的情况下，您仅具有5个功能，因此我认为最好使用简单的神经网络而不是CNN。