3d 数据集的深度学习，准备管道的最佳方法是什么？哪种算法最好？ [关闭]

Question

所以我有一个点云或 3D 网格，每个网格包含以下数据（特征/属性）： 网格类型（建筑物、树、草、土壤或空白）。但是空间类型“建筑物”具有诸如电导率和反射值等子属性。此外，单元格的属性还有几个单独的其他属性适用于整个数据集，这些属性的示例是风速、温度等。我想知道什么深度学习算法将有助于根据我上面解释的 3d 属性预测每个网格单元（仅在 x、y 方向）中的气温值。另外，为此准备管道的最佳方法是什么？目标是在我为训练模型提供包含几何模型信息、风向和风速的数据集时预测气温值）

这是我拥有的 300 张图像的示例图像（有图像，并且我有每个网格单元的所有属性和气温值的数据集）。图像在 60x60x60 单元格的立方体内建模，当单元格包含建筑物时，空间类型设置为“建筑物”，当单元格有空气时，空间类型设置为“空白”等等....，正如我所提到的，每个“建筑”单元都包含额外的子属性。我试图预测的值是 x,y 平面（假设高度 z=2）上每个空白单元（建筑物周围）的气温值，在此图像中，x,y 平面是彩色平面.我有数字值，而不仅仅是彩色平面。

这里还有一小部分我拥有的数据和结果（y 值 = 空气温度）。

Answer 1

您的问题是 3D 的事实并不意味着您的数据集必须是。

在我看来，这似乎是一个非常直接的机器学习问题，您可以将数据重新格式化为一个日期集，每行包含：单元格位置 (x, y, z)、cell type、sub_attribute....目标：temperature.

所需的预处理将取决于您选择的模型类型，有些不支持categorical输入，有些则支持。

如果您愿意，可以使用深度学习，但它们通常不适用于分类变量，因此您必须对所有文本信息进行编码，而且 300 个实例对于训练这种模型来说非常小。 作为第一步，您可能会更幸运地使用Random Forest 算法。