參考：BP神經網絡——基于近紅外光譜的汽油辛烷值預測

1.基于近紅外光譜的汽油辛烷值預測數據集

在回歸問題中經常會使用到基于近紅外光譜的汽油辛烷值預測數據集。

**輸出指標：**辛烷值含量
辛烷值是汽油最重要的品質指標，傳統的實驗室檢測方法存在樣品用量大、測試周期長和費用高等問題，不適用與生產控制，特別是在線測試。
**輸入指標：**光譜值
近紅外光譜分析方法（NIR），作為一種快速分析方法，已經廣泛應用于農業、制藥、生物化工、石油產品等領域。其優越性是無損檢測、低成本、無污染、能在線分析，更適合于生產和控制的需要。
針對采集得到的60組汽油樣品，利用傅立葉近紅外變換光譜儀對其掃描，掃描范圍為900~1700nm，掃描間隔為2nm，每個樣品的光譜曲線共含有401個波長點。

大家可以直觀的看一組數據。
一組輸入輸出值：
光譜值：

辛烷值：88.750

2.回歸問題簡要介紹

可以這樣理解光譜值就是401個特征值，辛烷值就是輸出值。
一般來說在回歸問題中，我們想得到利用多組以上數據建立一個函數f(x₁,x₂,x₃…x₄₀₀,x₄₀₁)。
簡單介紹一下回歸問題，我們從分類問題延伸出去。
分類問題大家都很熟悉圖片分類、文本分類、機械故障數據分類等等，我們會根據已知的特征值和類別來訓練模型，我們得到的也是一個函數，只不過這個函數輸出是離散的只有固定的幾種類別。
而回歸問題則是，根據特征值和連續輸出值構建一個連續函數。

??

如果您覺得本文寫的不錯，歡迎點贊評論收藏！

總結

以上是生活随笔為你收集整理的辛烷值预测数据集说明的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。