【问题标题】：Is neural network suitable for supervised learning where the data (inputs and outputs) are continuous?神经网络是否适合数据（输入和输出）连续的监督学习？
【发布时间】：2017-12-10 08:48:50
【问题描述】：
我正在研究一个包含 158 个输入和 4 个输出的玻璃制造项目的回归模型，这是一个输入和输出的连续过程。神经网络的使用是这种回归模型的合适解决方案吗？如果是，我已经了解循环神经网络可以用于时间序列数据，我应该使用哪个循环神经网络？如果不适合使用 NN，除了线性回归和回归树之外，还有哪些可用的解决方案？
【问题讨论】：
标签：
neural-network
regression
cart
recurrent-neural-network
supervised-learning
【解决方案1】：
神经网络确实适用于连续数据。事实上，我想说的是 default 是连续的。当然可以有离散 I/O，这完全取决于您的功能。
其次，RNN 确实适用于时间序列，在某种程度上。 RNN 实际上比 timestamps 更适合 timesteps。 RNN 通过迭代工作。通常，每次迭代都可以看作是时间上的一个固定步骤。这就是说，如果你的数据更像(date, value)（我称之为时间戳），它可能不是那么好。这不是绝对不可能的，但这不是想法。
希望它有所帮助，从简单的 RNN 开始，尝试了解它的工作原理，然后，如果您需要更多，请阅读更复杂的单元。