我试图区分两类预测数据。基本上，因变量是我想要预测的信号的特征。我想预测信号在不久的将来是否会有正斜率或负斜率（提前1步）。我尝试过不同的时间序列分析，如傅立叶分析，使用神经网络拟合，自回归模型和神经网络分类（在Matlab中使用patternet）。
该函数是连续的，因此最合乎逻辑的假设是使用一些回归分析工具来确定将要发生的事情。但是，由于我只关心斜率是正还是负，我将信号变为二进制信号（如果斜率为正，则为1;如果斜率为0或为负，则为-1）。
这是迄今为止我获得的最好结果！然而，由于某些未知的原因，为分类设计的神经网络不起作用（混淆矩阵表明精度约为50％）。所以我决定尝试使用常规的前馈神经网络...
由于神经网络输出连续数据，我不知道该做什么...但后来我记得Logistic回归，并且由于它的传递函数是一个对数函数（以0和1为界），它可以是解释为概率。所以我基本上做了相同的，定义了一个阈值（例如，0以上是1，0以下是-1），瞧！精确的天空摇摆！我的精度约为70-80％。
由于我使用的是sigmoid传递函数，神经网络将具有连续输出，就像逻辑回归一样（但在这种情况下介于-1和1之间），所以我假设我的方法在技术上仍然是回归而不是分类。我的问题是...... 哪个更好？对于我的具体问题，其中拟合没有给出非常好的结果，但我不得不将其转换为二元问题......哪个应该给出更好的结果？分类还是回归？
我应该尝试不同的神经网络配置（具有不同的传递函数），我应该尝试使用支持向量机或任何其他分类算法吗？或者我应该坚持使用回归，但我自己定义一个阈值，就像我使用逻辑回归一样？