神经网络算法 预测模型

线性回归模型。 2. 逻辑回归模型。 3. 决策树模型。 4. 随机森林模型。 5. 支向量机模型。 6. 神经网络模型。 7. 时间序列模型。 详细解释：1. 线性回归模型：这是一种统计学上的预测模型，用于根据一个或多个自变量来预测一个连续的输出值。 它通过寻找最佳拟合直线来建立变量之间的关系。

原理就是：建立网络-数据归一化-训练-预测-数据反归一化。 附件是电力负荷预测的例子，可以参考。 BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。

神经网络算法：模拟脑神经系统的计算模型。 通过训练大量的数据来识别数据的内在规律和模式，进而进行预测。 神经网络特别擅处理非线性数据和复杂的特征关系，包括深度学习中的许多算法都是基于神经网络。 支向量机算法：一种基于统计学习理论的分类和预测方法。

一、Kohonen模型概述 1981年芬兰赫尔辛基大学Kohonen教授提出了一个比较完整的,分类性能较好的自组织特征影射(Self-Organizing Feature Map)工神经网络(简称SOM网络)方。 这种网络也称为Kohonen特征影射网络。 这种网络模拟大脑神经系统自组织特征影射功能,它是一种竞争式学习网络,在学习中能无监督地进行自组织学习。