Как обращаться с «реальными» данными и замкнутыми уравнениями в машинном обучении? ⇐ Python

[Anonymous]

Моя цель — выполнить регрессию на основе набора данных, поступающих из «реального мира» (датчиков).
Данные представлены в табличном формате. Есть 6 независимых функций с очень разными значениями (необходимо масштабирование). Кроме того, зависимая переменная имеет большую изменчивость (необходимо потенциальное масштабирование?).
Первоначальное классическое обучение показывает недостатки в прогнозировании, когда одна из переменных (скажем, X1) имеет низкое абсолютное значение. значение.
Эксперты говорят мне, что прогнозируемое значение (назовем его Y) в этой конкретной области, где X1 низкое, можно аппроксимировать с помощью линейной регрессии. Итак, если все остальные признаки постоянны, X1 и Y имеют линейную зависимость типа Y= a * X1 + b.
Проблема в том, что коэффициенты " a" и "b" зависит от остальных признаков a = f(X2,X3,X4,X5)...
Обратите внимание, что у меня есть таблица коэффициентов "a" и «b» для нескольких комбинаций пяти других функций.
Я хотел бы интегрировать линеаризацию, основанную на физике, в процесс обучения. Но как я могу это сделать? Я посмотрел на нейронную сеть, основанную на физике, но они ориентированы только на PDE, а не на уравнения замкнутой формы, как у меня.
Для меня естественным было бы генерировать поддельные данные в этой области через уравнение. Будет ли это считаться машинным обучением на основе физики? Я не вижу разницы между добавлением фейковых данных и добавлением потерь, которые попытаются выполнить уравнение.

Подробнее здесь: https://stackoverflow.com/questions/786 ... e-learning