Автор: natalie
У меня такая проблема: необходимо обработать временной ряд температур с целью на будущее. При этом нужно использовать статистико-вероятностный метод Байеса. А вопрос такой : возможно ли ( а если да, то целесообразно ли ) использовать для этого какой-нибудь вариант нейронной сети? |
|
«Нейросети» и байесовские методы ML довольно сильно отличаются, либо автор не разбирается, либо наоборот слишком глубоко копает, в том смысле что оно всё в конце концов просто аппроксимирует многомерные плотности, так или иначе. Но методология совсем разная.
Байесовские методы оперируют моментами многомерных распределений, вычислив их, получаем модель плотности, часто это делается в один проход, матричными операциями.
ИНС итерационны по сути, есть некоторый функционал «ошибки», то есть опять же многомерные плотности пересечений классов и эту плотность нужно исследовать на предмет экстремумов, меньшим числом операций, то есть сэмплировать найдя глобальный экстремум(минимум), за минимальное количество шагов.
Всё зависит от структуры плотностей, если это «размазанные элипсоиды», то безусловно байесы рулят, как по скорости как и по устойчивости. Если плотность замысловатая, то всё зависит от замысловатости, где то нейросети выиграют, но в какой то момент сложность закономерностей поломает любой метод и тут уж вся надежда на какие то эвристики дающие важную инфу о фактуре данных, особенно о всяких «сингулярностях» в пространстве ошибок, «минах»(локальных катастрофических штрафах).
Это как в космосе, есть туманности с какой-то небольшой плотностью, но большие и тяжелые, но внутри есть много всячины, и звёзды и даже черные дыры, ориентироваться на плотность туманности в среднем можно при одних условиях, но понятно что есть условия задач когда это может дорого обойтись.