• 奶品质和时间相关，而且是一个前后相关的系统，即任何时刻的奶品质是和前一个时刻的奶品质相关的
• 需要在一个指定的时刻得到当前品质的估计值
• 这个估计值是奶品质的变化曲线
• 可以大致得到这样的函数关系： 奶品质(t) = f( t, 温度，湿度，其他的一些参数）
• 如何来拟合这样一个函数呢？因为我们并不是科学家，不能进行定性的分析，也不能确切地知道品质的变化具体因素
• 用机器学习的方法来估计这个函数
• 首先需要数据，构造一组模拟数据，有一个随机因子，不断累计随机因子的函数，从而可以得到一个得分
• 例如，在下面的我们构造一个函数来模拟参数到结果的映射；参数n个数据，表示时间累计。

def fx(x):
    return x + x*x + x*x*x

def genGpData():
    Xs = [ random.randint(1,10) for i in range(100) ]
    Ys = []
    last = None
    for x in Xs:
        if last:
            last = last + fx(x)
        else:
            last = fx(x)
        Ys.append( last )
    return Xs, np.array(Ys).reshape( 100,1 )

• 我们采样了100个时间，从而形成[100*100]的矢量

• 可以看到，只有下面的部分有数值，即矩阵对角线上是全是0。0的意义是，时间还没有到。

  
  image.png
• 所以从横轴上看，是各个时间点的参数。这样，我们将时间信息给从公式中给去掉了，转而需要各个时间所采集的对应参数
• 训练：选用线性模型进行回归训练

from sklearn.svm import LinearSVR

regr = LinearSVR( random_state = 0 )
regr.fit( xds[0::1,:], Ys[0::1] )
print( regr.score( xds, Ys ) )

• 这里每次产生的一组数据，实际上对应一个样本的全过程变化，不同的样本有不同的环境和参数变化。
• 模拟参数 N * 100 的 矩阵数据，其中N为100的倍数
• 模拟中并没有针对所有的数据进行训练

• 例如，模拟10个样本的数据

  
  image.png
• 正确率可以得到：0.9976769587649769

• 用下面单独产生的样本进行验证 得分 0.9900302499171195

  
  image.png

结论

• 用线性回归算法就可以很好地预测曲线变化
• 用于训练的数据要足够