在估计理论中，估计随机变量的最简单方法是预测其实现的平均值。很容易，很简单，也很天真有用。

让我再解释一下：在您的天气问题中，前几天和第二天的数据之间的相关性非常高，这使您的估计很好，但在许多问题中，前几天的数据之间的相关性天和第二天是小（股市）。你需要记住的另一件事是犯错的成本，意思是预测温度是最近几天的平均值（75），如果实际温度是 78，那么差异是 3 可能是如果最近几天的平均值为 10 且实际值为 10.5，则在库存中可接受。这个差值 0.5 可能是不可接受的。

这在数学上意味着什么？如果您估计中的可接受误差 << 则具有基于平均值的估计器的数据中的变化是不可接受的。

关于将数据从一个域转换到另一个域的问题，如果你有一个可以带你回到原始域的确定性映射函数就可以了。我们更喜欢一对一的映射

1,2）在分类和回归问题中，您不是在寻找正确输出的平均值，而是在尝试预测正确的输出！所以不，我不认为这是你想要做的。您正在考虑一个更简单的问题，其中预期的输出只是实际值的移动平均值。

3）我从来没有做过天气预报，但我想在某种程度上拥有这些信息并不是完全没用的。（尽管不正确！）

4）我不知道你对回归了解多少，但是：

• 您是否将数据集拆分为训练集、验证集和测试集？
• 您是否考虑过将 CNN 用于时间序列
• 您对 train e 验证的准确性如何？你过拟合了吗？