如何使用keras在LSTM中实现多元回归的输入？

Question

这是我的代码

def create_dataset(signal_data, look_back=1):
    dataX, dataY = [], []
    for i in range(len(signal_data) - look_back):
        dataX.append(signal_data[i:(i + look_back), 0])
        dataY.append(signal_data[i + look_back, 0])
    return np.array(dataX), np.array(dataY)

df = pd.read_csv('time_series.csv')
signal_data = df.Close.values.astype('float32')
signal_data = signal_data.reshape(len(df), 1)


scaler = MinMaxScaler(feature_range=(0, 1))
signal_data = scaler.fit_transform(signal_data)

train_size = int(len(signal_data) * 0.80)
test_size = len(signal_data) - train_size)
# val_size = len(signal_data) - train_size - test_size
train = signal_data[0:train_size]
# val = signal_data[train_size:train_size+val_size]
test = signal_data[train_size+val_size:len(signal_data)]

x_train, y_train = create_dataset(train, look_back)
# x_val, y_val = create_dataset(val, look_back)
x_test, y_test = create_dataset(test, look_back)


x_train = np.reshape(x_train, (x_train.shape[0], x_train.shape[1], 1))
# x_val = np.reshape(x_val, (x_val.shape[0], x_val.shape[1], 1))
x_test = np.reshape(x_test, (x_test.shape[0], x_test.shape[1], 1))

现在我想添加df.Open和df.High和df.Low和df.Volume

如何实现此代码？

我应该添加信号数据吗？ 我想知道如何添加数据，以便可以训练信号数据中的多个功能。

我不知道在哪里以及如何实现它。 我需要你的帮助。

您的宝贵意见和想法将不胜感激。

Answer 1

我对您的代码进行了一些修改。 这应该工作。 综上所述：

• 我已经修复了将变量0的选择编码的代码行。现在，目标变量位于最后一个位置，其他变量位于前一个位置
• 我修复了改型，其中一些不需要，其余的已修复，以保持所有尺寸
• 我固定了模型输入形状，现在您有5个变量而不是1个

我的一般建议：

• 我不会使用MinMaxScaler ，这很危险，因为单个异常值会干扰您的所有分布。 而是使用StandardScaler 。 此处提供更多信息： http : //scikit-learn.org/stable/modules/generated/sklearn.preprocessing.StandardScaler.html
• 在train_x ， test_x和它们的y对应副本之后，我将按比例缩放数据。 原因是因为您正在计算统计信息，以便使用训练和测试集（即将来的信息）来缩放数据。 这与在实际情况下尝试运行代码时所发现的方式完全不同。 也就是说，您将不得不根据过去的统计数据来扩展新数据。 最好建立一个尽可能接近实际情况的测试集。
• 您怎么知道您的模型足够大，可以对数据建模？ 我将摆脱遗漏并运行模型以查看它是否可以拟合数据。 如果模型可以过度拟合火车数据，则意味着模型足够大，您可以开始对模型进行正则化以增强一般性。 本书中的更多信息： https : //www.deeplearning.ai/machine-learning-yearning/
• 在模型metrics您选择accuracy ，这是一个分类指标。 我将根据我的问题类型（回归）使用一种方法：例如“均值绝对错误”。

希望我能帮助您：D

---

import numpy as np
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout, Conv2D, Reshape, TimeDistributed, Flatten, Conv1D,ConvLSTM2D, MaxPooling1D
from keras.layers.core import Dense, Activation, Dropout
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import mean_squared_error
import tensorflow as tf
import matplotlib.pyplot as plt


config = tf.ConfigProto()
config.gpu_options.allow_growth=True

sess = tf.Session(config=config)
def create_dataset(signal_data, look_back=1):
    dataX, dataY = [], []
    for i in range(len(signal_data) - look_back):
        dataX.append(signal_data[i:(i + look_back), :])
        dataY.append(signal_data[i + look_back, -1])
    return np.array(dataX), np.array(dataY)


look_back = 20



df = pd.read_csv('kospi.csv')
signal_data = df[["Open", "Low", "High", "Volume", "Close"]].values.astype('float32')


scaler = MinMaxScaler(feature_range=(0, 1))
signal_data = scaler.fit_transform(signal_data)



train_size = int(len(signal_data) * 0.80)
test_size = len(signal_data) - train_size - int(len(signal_data) * 0.05)
val_size = len(signal_data) - train_size - test_size
train = signal_data[0:train_size]
val = signal_data[train_size:train_size+val_size]
test = signal_data[train_size+val_size:len(signal_data)]



x_train, y_train = create_dataset(train, look_back)
x_val, y_val = create_dataset(val, look_back)
x_test, y_test = create_dataset(test, look_back)




model = Sequential()
model.add(LSTM(128, input_shape=(None, 5),return_sequences=True))
model.add(Dropout(0.3))

model.add(LSTM(128, input_shape=(None, 5)))
model.add(Dropout(0.3))

model.add(Dense(128))
model.add(Dropout(0.3))

model.add(Dense(1))




model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])


model.summary()
hist = model.fit(x_train, y_train, epochs=20, batch_size=32, verbose=2, validation_data=(x_val, y_val))

trainScore = model.evaluate(x_train, y_train, verbose=0)
model.reset_states()
print('Train Score: ', trainScore)
valScore = model.evaluate(x_val, y_val, verbose=0)
model.reset_states()
print('Validataion Score: ', valScore)
testScore = model.evaluate(x_test, y_test, verbose=0)
model.reset_states()
print('Test Score: ', testScore)



p = model.predict(x_test)


print(mean_squared_error(y_test, p))

import matplotlib.pyplot as pplt

pplt.plot(y_test)
pplt.plot(p)
pplt.legend(['testY', 'p'], loc='upper right')
pplt.show()