タグ付けされた質問 「prediction」

5
ニューラルネットワークを使用して次の疑似乱数を予測できますか?
乱数ジェネレーターからの出力をニューラルネットワークに供給し、ハッシュ(またはジェネレーター)関数を学習することを期待して、次に生成される疑似乱数を予測できるようにすることは可能ですか? このようなものはすでに存在していますか?これまたはこれに関連する何か(疑似乱数の予測に関連する)の​​調査が既に行われている場合、誰かが私に適切なリソースを示すことができますか? 現在、私はこのライブラリとその関連リンクを見ています。 https://github.com/Vict0rSch/deep_learning/tree/master/keras/recurrent

3
いくつかの機能があるユーザーの可用性を予測するには、分類または回帰が必要ですか?
データマイニング手法を研究していると、主に2つのカテゴリがあることがわかりました。 予測方法: 分類 回帰 説明的な方法: クラスタリング 相関ルール 場所、アクティビティ、バッテリーレベル(トレーニングモデルの入力)に基づいてユーザーの可用性(出力)を予測したいので、「予測方法」を選択するのは明らかだと思いますが、今はどちらを選択するように思えません。分類と回帰。これまでに理解したことから、出力は「利用可能」または「利用不可能」であるため、分類によって問題を解決できます。 分類により、ユーザーが利用可能または利用不可能になる確率(または可能性)を提供できますか? 出力のように、0(使用不可)または1(使用可能)だけではなく、次のようになります。 80 %80%80\%利用可能 20 %20%20\%は利用できません この問題は、回帰を使用しても解決できますか? 80808080 %80%80\%20 %20%20\%

1
症状から疾患を予測するための適切な手法の選択
ユーザーがいくつかの症状を入力し、いくつかの選択された症状がシステムに存在する症状と関連付けられる可能性をシステムが予測または決定する必要があるシステムに適したアルゴリズムを考え出そうとしています。次に、それらを関連付けた後、結果または出力は症状の特定の疾患になるはずです。 システムは一連の疾患で構成されており、それぞれが特定の症状に割り当てられており、システムにも存在します。 ユーザーが次の入力を行ったと仮定します。 A, B, C, and D システムが最初に行うべきことは、各症状(この場合はアルファベット文字で表される)を個別にチェックして、既存の症状のデータテーブルに対して個別に関連付けることです。そして、入力が存在しない場合、システムはそれについて報告またはフィードバックを送信する必要があります。 また、それA and Bがデータテーブルにあったとしましょう。そのため、それらが有効であるか、または存在し、システムが入力に基づいて疾患を提供できることを100%確信しています。次に、入力がデータテーブルに存在しないC and D場所であるとCしますが、存在する可能性がDあります。 D100%のスコアは与えませんが、おそらくそれよりも低いスコア(90%としましょう)を与えます。そのC場合、データテーブルにはまったく存在しません。したがって、Cスコアは0%になります。 したがって、システムには、ユーザーの入力を判断して結果を出力するための、何らかの関連付けと予測の手法またはルールが必要です。 出力の生成の要約: If A and B were entered and exist, then output = 100% If D was entered and existed but C was not, then output = 90% If all entered don't exist, then output …
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.