我正在开发一个用于淡水质量管理的设备，可用于湖泊和河流等淡水体。该项目分为三个部分：
- 第一部分涉及获取参数，如pH值、浊度等。
- 第二部分涉及根据参数采取纠正措施。例如，如果pH值过低，设备将注入碱性溶液以维持pH值在7-7.5之间。
- 现在第三部分涉及根据获取的参数（如pH值/浊度等）预测湖泊的健康状况。预测算法将考虑这些参数，并在它们之间建立关联，以解释湖泊将能维持多久。为了实现这一点，我目前倾向于使用反向传播神经网络（BPNN），因为我发现其他许多人/机构在水质管理中更喜欢使用神经网络。*
现在我的担忧是，使用BPNN是否会对这个项目来说过于复杂？如果是，应该使用哪种方法/工具？
回答：
按照“过去的方式”做事并不总是最好的主意。一般来说，如果您没有强有力的、分析性的理由选择神经网络，您不应该从它开始。神经网络训练起来很棘手，具有大量的超参数，是非确定性的，并且计算成本高昂。应该总是从最简单的模型开始，只有当它产生的结果不理想时，才转向更复杂的模型。从理论上讲，这是由Vapnik定理强烈支持的，从实践上讲，这类似于编程中的敏捷方法。
那么从哪里开始呢？
- 线性回归（岭回归，Lasso）
- 多项式回归
- KNN回归
- RBF网络
- 随机森林回归器
如果所有这些方法都失败了，再考虑“经典”的神经网络。但这种情况的可能性…很小。
