使用 LSTM 进行回归 - python 和 Keras

Question

我正在尝试使用 Keras 中的 LSTM 网络来预测未来的时间序列数据。 我拥有的数据有 5 个维度，我试图使用前 3 个时期的读数来预测下一个时期的未来值。 我已经对数据进行了标准化并删除了所有 NaN 等，这是我试图用来训练网络的代码：

def Network_ii(IN, OUT, TIME_PERIOD, EPOCHS, BATCH_SIZE, LTSM_SHAPE):
 
    length = len(OUT)
    train_x = IN[:int(0.9 * length)]
    validation_x = IN[int(0.9 * length):]
    train_y = OUT[:int(0.9 * length)]
    validation_y = OUT[int(0.9 * length):]

    # Define Network & callback:
    train_x = train_x.reshape(train_x.shape[0],3, 5)
    validation_x = validation_x.reshape(validation_x.shape[0],3, 5)
    

    model = Sequential()
    model.add(LSTM(units=128, return_sequences= True, input_shape=(train_x.shape[1],3)))
    model.add(LSTM(units=128))
    model.add(Dense(units=1))
    model.compile(optimizer='adam', loss='mean_squared_error')

    train_y = np.asarray(train_y)
    validation_y = np.asarray(validation_y)
    history = model.fit(train_x, train_y, batch_size=BATCH_SIZE, epochs=EPOCHS, validation_data=(validation_x, validation_y))

    # Score model
    score = model.evaluate(validation_x, validation_y, verbose=0)
    print('Test loss:', score)
    # Save model
    model.save(f"models/new_model")

我试图粗略地遵循这里概述的步骤 - https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/

然而，无论我在改变用于训练网络的维数或时间段长度方面做出什么调整，我都无法得到模型的输出来给出不是 1 或 0 的预测。这是即使目标数据，在数组 'OUT' 中由 [0,1] 上连续的数据组成。

我认为我设置 .Sequential() 函数的方式可能有问题，但我看不出要调整什么。 我对此比较陌生，因此将不胜感激任何帮助。

Answer 1

您可能使用的预测函数不是标准的。 也许您正在使用predict_classes ？

有据可查的标准是model.predict 。