Questions tagged «prediction»

是否有可能向神经网络提供随机数生成器的输出，并期望它学习哈希（或生成器）函数，以便可以预测下一个生成的伪随机数是什么？ 这样的东西已经存在了吗？如果已经对此或相关内容（与伪随机数的预测）进行了研究，那么谁能为我指出正确的资源？ 目前，我正在查看该库及其相关链接。 https://github.com/Vict0rSch/deep_learning/tree/master/keras/recurrent

17 deep-learning  unsupervised-learning  prediction  lstm 

在研究数据挖掘方法时，我已经了解到有两个主要类别： 预测方法： 分类 回归 描述方法： 聚类 关联规则 由于我想根据位置，活动，电池电量（培训模型的输入）来预测用户的可用性（输出），因此我认为很明显我会选择“预测方法”，但是现在我似乎无法选择分类和回归。从到目前为止的理解，分类可以解决我的问题，因为输出是“可用”或“不可用”。 分类能否为我提供用户可用或不可用的概率（或可能性）？ 在输出中，不仅仅是0（不可用）或1（可用），还可以是： 80%80%80\%可用 20%20%20\%不可用 也可以使用回归来解决此问题吗？ 我知道回归用于连续输出（不仅是0或1个输出），但是输出不能是用户可用性的连续值（例如输出为表示用户为可用，则用户是无法使用）。80808080%80%80\%20%20%20\%

9 machine-learning  ai-design  classification  prediction  regression 

我正在尝试为用户输入一些症状的系统提出正确的算法，并且系统必须预测或确定一些选定症状与系统中现有症状相关联的可能性。然后，在将它们关联之后，结果或输出应该是针对症状的特定疾病。 该系统由一系列疾病组成，每种疾病都有特定的症状，该症状也存在于系统中。 假设用户输入了以下输入： A, B, C, and D 系统应该做的第一件事是检查每个症状（在这种情况下用字母表示）并将其与已经存在的症状的数据表关联起来。并且在不存在输入的情况下，系统应报告或发送有关该输入的反馈。 而且，我们假设它A and B在数据表中，因此我们100％确保其有效或存在，并且系统能够根据输入来确定疾病。然后让我们说，输入现在是C and D哪里C在数据表中不存在，但有一个可能性D存在。 我们D的得分不是100％，但是可能更低（比如说90％）。那么C在数据表中根本就不存在。因此，C得分为0％。 因此，系统应具有某种关联和预测技术或规则，以通过判断用户的输入来输出结果。 生成输出的摘要： 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 …

9 algorithm  machine-learning  prediction