Модель регрессии для объясненной модели (подробности внутри)

Question

Я новичок в машинном обучении и хотел бы задать несколько вопросов, связанных с моей проблемой.

Допустим, у меня есть переменная x y z, и с течением времени у меня есть значения этих переменных, например:

t0 = x0 y0 z0
t1 = x1 y1 z1
tn = xn yn zn

Теперь мне нужна модель, в которой, когда ей даны 3 значения x , y , z, я хочу получить их прогноз, например:

Вход :x_test y_test z_test output:x_prediction y_prediction z_prediction

Эти значения являются числами с плавающей запятой.Какая модель лучше всего подходит для решения такого рода задач?Заранее спасибо за все ответы.

Более подробная информация:Хорошо, позвольте мне рассказать подробнее о проблемах, чтобы быть более конкретным.

Я провел определенные тесты и взял значения счетчиков производительности ядер системы за интервал.

Счетчики производительности — это x, y, z в приведенном выше примере. Они зависят друг от друга. Простой пример: x = IPC, y = промахи в кэше, z = Energy at Core.

Итак, я получил этот набор данных со всеми этими счетчиками производительности за интервал. Я хочу создать модель, которая после обучения на наборе обучающих данных получит определенное состояние ядра (счетчики производительности) и спрогнозирует счетчики производительности. что ядро ​​будет иметь в следующем интервале.

Answer 1

AFAIK, если вы хотите предсказать значение одной переменной, вам нужно иметь одну или несколько переменных в качестве предикторов;то есть:вы предполагаете, что поведение одной переменной можно объяснить поведением других переменных.В вашем случае у вас есть три независимые переменные, значение которых вы хотите предсказать, и поскольку вы не упоминаете какие-либо другие переменные, я предполагаю, что каждая переменная зависит от других.В этом случае вы можете использовать три модели (например, модели регрессии), каждая из которых будет прогнозировать значение одной переменной на основе других.Например, чтобы предсказать x:

x_prediction=int+cy*y_test+cz*z_test

, где int — точка пересечения, а cy, cz — коэффициенты линейной регрессии.Аналогично, чтобы предсказать y и z:

y_prediction=int+cx*x_test+cx*z_test
z_prediction=int+cx*x_test+cy*y_test

Answer 2

Итак, значения в момент времени t-1 предсказывают значения в момент времени t.В этом есть смысл.

Сначала вам следует решить, считаете ли вы эти ценности независимыми или нет.Предсказывает ли x вообще значение y или z?И как вы думаете, предсказывающим является только предыдущее значение 1 или предыдущее n?

В любом случае вы можете смоделировать это как простую задачу регрессии.Какой метод является лучшим, на самом деле зависит от того, каких отношений вы ожидаете и каковы эти переменные;Я не уверен, что это здесь дано.

Например, если значения датчика считываются довольно быстро, а датчик меняется медленно, можно ожидать, что какая-нибудь простая модель, такая как скользящее среднее, будет работать хорошо.Для других типов значений это вообще не будет прогнозировать.

Это похоже на модель цепи Маркова, так что вы можете изучить это, но почему-то я думаю, что это слишком общее для того, в чем, по моему мнению, заключается проблема.