No siempre elija, por ejemplo, LSTM o el sabor de aprendizaje profundo del día.
El aprendizaje profundo se trata de crear una arquitectura personalizada para su problema; no se trata de incluir la nueva arquitectura de otra persona en la tuya.
La hora del día podría predecirse mediante una simple regresión. Es posible que pueda utilizar un bosque aleatorio simple.
- ¿Por qué las computadoras dejan de funcionar cuando sus temperaturas caen por debajo de cierto grado o a 0 grados Kelvin?
- ¿Con qué frecuencia fallan las unidades en los servidores?
- ¿Podré obtener CSC o ECE en VIT con un rango de 54k en la categoría B?
- ¿Cuál es la diferencia entre PORTCbits.RC7 = 0 y TRISCbits.RC7 = 0 en PIC18F4550?
- ¿Cuál es la diferencia entre la tecnología SAP hana y el Hadoop de Cloudera?
Sin embargo, si su modelo tiene un poder predictivo pobre, todas sus predicciones se agruparán a la mitad del día.
Por lo tanto, puede intentar entrenar a un clasificador de varias clases donde la salida es, por ejemplo, la hora del día.
Sin embargo, no todos los errores serían equivalentes; si puede pasar una matriz de penalización que le otorga una penalización mayor por predecir una hora más lejos de la verdad, entonces tendrá algunas razonables.
Eso será lo suficientemente complicado como para comenzar a trabajar; está personalizado a tu problema; y: es más fácil que el aprendizaje profundo.