我有很多数据条目，每个条目包含8个（八个）数字。

对于每个条目，我知道“适应度得分”（即这个条目有多“好”）。

而且，我想构建/寻找一个近似函数（“适应度得分”依赖于这8个参数）。对我来说，不仅数学表示形式的函数可以接受，任何实现（如神经网络）只要能为任意（新）条目提供合理的“适应度得分”都可以。

我尝试了神经网络（Encog库）和遗传算法方法（Watchmaker库）。第二种方法比神经网络的效果好得多。然而，我将近似函数表示为八个“a * pow(x, b)”组件的总和，其中“a”和“b”由遗传算法变异，“x”是数据条目的参数。尽管在遗传算法的帮助下我取得了一些积极的结果，但显然，这不是最佳方法。

所以，问题是：在我的情况下，有哪些方法可以改进寻找近似函数？除了神经网络和遗传算法之外，还有其他方法吗？

谢谢。

回答：

有数十种这样的方法，因为你的问题只是回归。只需在谷歌上搜索这些方法，这里列出它们实在太广泛了。其中包括：

• k-近邻回归
• 回归树
• 支持向量回归
• 岭回归
• …

除了其他方法之外——请记住，即使是神经网络本身也是非常复杂的对象，具有许多参数和公式，因此为了获得好的结果，你需要花很多时间来调整它们。