正则化对时间序列预测 RNN 模型的影响：以 Covid-19 为例
机器学习
2021-05-14 v1 人工智能
摘要
许多提出模型以预测 COVID-19 大流行进程的论文要么使用手工统计模型，要么使用大型神经网络。尽管大型神经网络比简单统计模型更强大，但它们在小型数据集上尤其难以训练。本文不仅提出了一种比其他已有神经网络具有更大灵活性的模型，而且提出了一种在较小数据集上有效的模型。为提升小数据上的性能，测试了六种正则化方法。结果表明，GRU 结合 20% Dropout 取得了最低的 RMSE 分数。主要发现是，数据获取越少的模型越依赖正则化器。对仅以 28 天数据训练的 GRU 模型施加 Dropout，使 RMSE 降低了 23%。
引用
@article{arxiv.2105.05932,
title = {The effects of regularisation on RNN models for time series forecasting: Covid-19 as an example},
author = {Marcus Carpenter and Chunbo Luo and Xiao-Si Wang},
journal= {arXiv preprint arXiv:2105.05932},
year = {2021}
}