参考：BP神经网络——基于近红外光谱的汽油辛烷值预测
1.基于近红外光谱的汽油辛烷值预测数据集
在回归问题中经常会使用到基于近红外光谱的汽油辛烷值预测数据集。
输出指标：辛烷值含量
辛烷值是汽油最重要的品质指标，传统的实验室检测方法存在样品用量大、测试周期长和费用高等问题，不适用与生产控制，特别是在线测试。
输入指标：光谱值
近红外光谱分析方法（NIR），作为一种快速分析方法，已经广泛应用于农业、制药、生物化工、石油产品等领域。其优越性是无损检测、低成本、无污染、能在线分析，更适合于生产和控制的需要。
针对采集得到的60组汽油样品，利用傅立叶近红外变换光谱仪对其扫描，扫描范围为900~1700nm，扫描间隔为2nm，每个样品的光谱曲线共含有401个波长点。
大家可以直观的看一组数据。
一组输入输出值：
光谱值：
辛烷值：88.750
2.回归问题简要介绍
可以这样理解光谱值就是401个特征值，辛烷值就是输出值。
一般来说在回归问题中，我们想得到利用多组以上数据建立一个函数f(x1,x2,x3…x400,x401)。
简单介绍一下回归问题，我们从分类问题延伸出去。
分类问题大家都很熟悉图片分类、文本分类、机械故障数据分类等等，我们会根据已知的特征值和类别来训练模型，我们得到的也是一个函数，只不过这个函数输出是离散的只有固定的几种类别。
而回归问题则是，根据特征值和连续输出值构建一个连续函数。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/31630.html