使用 LSTM 预测类别

Question

我的数据集包含一条数据点曲线，其中有一列标记为“购买”。 “买入”表示曲线在此时达到局部最大值或最小值（由于平滑以找到这些点但主要在 1 行内，因此不完全准确）。 0 表示它不是最大值或最小值，1 表示它是最大值，2 表示它是最小值。

<DATE>,<CLOSE>,<VOL>,<BUY>
01/04/21;09:35:00,728.25,37290,0
01/04/21;09:40:00,728.0,31059,0
01/04/21;09:45:00,742.4,44956,0
01/04/21;09:50:00,740.03,27251,2
01/04/21;09:55:00,737.69,22765,0
01/04/21;10:00:00,737.0,9703,0
01/04/21;10:05:00,738.3,16369,1
01/04/21;10:10:00,735.41,17772,0
...

问题是这会在我的数据集中留下大量的 0，我怀疑这些 0 会导致分类问题，即曲线是否处于最大值或最小值或两者都不是。 这是因为预测总是预测 0。

这是我现在的model。

model = Sequential()
model.add(LSTM(units=100, return_sequences=True, dropout=0.2))
model.add(LSTM(units=50, return_sequences=False, dropout=0.2))
model.add(Dense(3, activation='softmax'))

如果我应该做任何更改，请告诉我。

此外，我试图创建一个双重障碍来分类输入是否为零，如果不是，则对输入的实际内容进行分类，但我无法弄清楚。

Answer 1

您还需要预测零点，并且还要准确预测它们，否则在测试时您无法推断出该信息。

显然，.network 会偏向于预测 0，因为它是最常见的，但这并不意味着它总是预测 0... net 将找出何时预测 1/2 而不会过度拟合

我的建议是在拟合时使用class_weight ：

class_weight = {0: 1.,
                1: 2.,
                2: 2.}
model.fit(X_train, Y_train, ..., class_weight=class_weight)