要预测罕见事件分类，有没有比使用 LSTM Keras 更“简单”的方法？

Question

我目前正在研究罕见事件预测，这是我以前从未做过的（我曾经处理过简单的预测问题），我查阅了这篇关于使用 LSTM 进行时间序列罕见事件分类的文章。

读起来非常令人兴奋，因为我认为我的案例有点相似：预测奶牛的产犊时间，具有历史活动特征，产犊仅在数据收集结束时发生一次。

然而......除了我的数据比示例小得多，我使用 LSTM 时遇到了太多的困惑。 我期待的关于 LSTM 的好处是“回顾”功能，它可以让你决定每个输出在你回顾之前的时间有多少输入。

我的问题是：是否有任何“更简单”或更简单的机器学习方法可以像 LSTM 那样用于时间序列分类？

我尝试使用简单的机器学习，例如决策树、随机森林，但我认为它不能很好地代表问题（将许多历史数据合并为一个输出）。

这个问题也在 StackExchange 上交叉发布。 我知道我应该在这里询问更多与编程相关的问题，但感谢任何帮助/见解。

Answer 1

许多机器学习项目/程序的问题是缺乏数据，您已经说过这是您不希望使用 LSTM 的原因之一。 不仅对于 LSTM（尽管这些也受到很大影响），但其他方法会遇到问题，例如过度拟合数据，对异常值的重视程度更高等，这些问题实际上只能通过更多数据来解决（或微调参数）。

您可以考虑的一个选项是合成数据生成，或者是一种不同的方法来扩展您的数据集。 这样你仍然可以使用 LSTM，因为它有更多的数据可以运行。

我将链接到一篇我发现有助于解决小数据问题的文章。 最好的办法是采用简单的，或者说是基本的 ML 方法（线性回归就是一个例子）。

如果您想尝试将罕见的预测与更标准的模式分开（对您的数据集了解不多，很难说），您可以尝试的一种选择是 SVM。

如果你想挑出方差，即罕见的预测，你也可以尝试使用 PCA 并查看最大方差在哪里。

同样，我建议的方法在很大程度上取决于您的数据集，我不确定它们对您的时间序列数据的效果如何。 找到一种扩大数据集的方法将是更好的选择。

让我知道这是否有帮助！