我有一个训练数据集，根据他们在过去几年（2005-2007）的表现，给出了各种板球运动员（2008年）的排名 .
我将使用这些数据开发一个模型，然后将其应用于另一个数据集，以使用已经提供给我的数据（2009-2011）预测玩家的排名（2012） .
哪种预测模型最适合这种情况？使用不同形式的回归或神经网络的利弊是什么？
要使用的模型类型取决于不同的因素：
数据量：如果数据非常少，最好选择简单的预测模型，如线性回归 . 如果使用功能过于强大的预测模型，则会遇到过度拟合模型的风险，因为它会对新数据产生不良影响 . 现在您可能会问，什么是小数据？这取决于输入维度的数量以及数据的基础分布 .
您对模型的体验 . 如果您对它们缺乏经验，那么神经网络可能非常棘手 . 有很多参数需要优化，比如网络层结构，迭代次数，学习率，动量项，仅举几例 . 线性预测相对于此更容易处理"meta-optimization"
如果您仍然不能选择其中一种方法，那么实用的方法是评估几种不同的预测方法 . 您可以获取已有目标值（2008数据）的一些数据，将其分为训练和测试数据（例如，将测试数据作为测试数据占10％），使用交叉验证进行训练和测试，并计算错误率将预测值与您已有的目标值进行比较 .
一本伟大的书，也在网上，是C. Bishop的模式识别和机器学习 . 它有一个关于预测模型的很好的介绍部分 .
哪种预测模型最适合这种情况？ 2.使用不同形式的回归或神经网络有哪些优缺点？
“什么是最好的”取决于你拥有的资源 . 具有信息理论学习图的全贝叶斯网络（或k-依赖贝叶斯网络）是最终的“无假设”模型，并且通常表现非常好 . 复杂的神经网络也可以表现出色 . 这些模型的问题在于它们的计算成本非常高，因此采用近似方法的模型可能更合适 . 连接回归，神经网络和贝叶斯网络存在数学上的相似性 .
回归实际上是神经网络的一种简单形式，对数据有一些额外的假设 . 可以构建神经网络以减少对数据的假设，但正如Thomas789所指出的那样，代价是难以理解（有时难以调试） .
作为一个经验法则 - 模型中的假设和近似值越多，A就越容易理解和B：找到必要的计算能力，但可能以性能或“过度拟合”为代价（这是模型适合的时候）训练数据很好，但没有推断到一般情况） .
免费在线书籍：
http://www.inference.phy.cam.ac.uk/mackay/itila/
http://ciml.info/dl/v0_8/ciml-v0_8-all.pdf
2 回答
要使用的模型类型取决于不同的因素：
数据量：如果数据非常少，最好选择简单的预测模型，如线性回归 . 如果使用功能过于强大的预测模型，则会遇到过度拟合模型的风险，因为它会对新数据产生不良影响 . 现在您可能会问，什么是小数据？这取决于输入维度的数量以及数据的基础分布 .
您对模型的体验 . 如果您对它们缺乏经验，那么神经网络可能非常棘手 . 有很多参数需要优化，比如网络层结构，迭代次数，学习率，动量项，仅举几例 . 线性预测相对于此更容易处理"meta-optimization"
如果您仍然不能选择其中一种方法，那么实用的方法是评估几种不同的预测方法 . 您可以获取已有目标值（2008数据）的一些数据，将其分为训练和测试数据（例如，将测试数据作为测试数据占10％），使用交叉验证进行训练和测试，并计算错误率将预测值与您已有的目标值进行比较 .
一本伟大的书，也在网上，是C. Bishop的模式识别和机器学习 . 它有一个关于预测模型的很好的介绍部分 .
“什么是最好的”取决于你拥有的资源 . 具有信息理论学习图的全贝叶斯网络（或k-依赖贝叶斯网络）是最终的“无假设”模型，并且通常表现非常好 . 复杂的神经网络也可以表现出色 . 这些模型的问题在于它们的计算成本非常高，因此采用近似方法的模型可能更合适 . 连接回归，神经网络和贝叶斯网络存在数学上的相似性 .
回归实际上是神经网络的一种简单形式，对数据有一些额外的假设 . 可以构建神经网络以减少对数据的假设，但正如Thomas789所指出的那样，代价是难以理解（有时难以调试） .
作为一个经验法则 - 模型中的假设和近似值越多，A就越容易理解和B：找到必要的计算能力，但可能以性能或“过度拟合”为代价（这是模型适合的时候）训练数据很好，但没有推断到一般情况） .
免费在线书籍：
http://www.inference.phy.cam.ac.uk/mackay/itila/
http://ciml.info/dl/v0_8/ciml-v0_8-all.pdf