Многомерная регрессия с вводом переменного размера

Question

Я хочу, чтобы модель машинного / глубокого обучения соответствовала приведенному ниже формату данных таблицы. F1-F5 - это функции, а Y получает случайный интервал времени.

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

Я не могу понять, стоит липерейдите к подходу типа CNN, умножив размерное ядро ​​размером 1 * 5 в каждой строке от 11-n1, и попробуйте узнать, сопоставив сумму с Y. Пожалуйста, предложите мне, как обрабатывать такие данные.

Примечание: F1 - F5 - это датчики, записывающие данные, и каждый датчик имеет определенное назначение.

Answer 1

Если ваши функции не коррелированы, то вам нужно использовать все пять функций.Но все же пять невелики, так что вам не нужно идти на CNN.CNN используется в изображениях, чтобы уменьшить количество параметров, которые потребуются для большого числа функций в изображении.Изображение 200 * 200 имеет 40000 функций, и если мы строим нейронную сеть, нам могут понадобиться lakhs или даже миллионы параметров.Вот почему мы идем с CNN в таких случаях.Но в вашем случае у вас есть только 5 функций, поэтому я думаю, что лучше использовать простую нейронную сеть, а не CNN.