使用 LSTM 構建二進制分類 model

Question

我有一個 csv 格式的數據集，有 49 列，其中一些是字符串，其中一些是整數。

我添加了一個新列用作 label，稱為“輸入”，適當的 label 為 0 和 1。

這是數據集的示例：

要求是考慮 model 訓練的所有這些特征列。

我必須訓練這個 model 有哪些選擇？ 我應該遵循哪些步驟？ 任何資源（文章、視頻等）將不勝感激。

謝謝你，

Answer 1

這里有兩個教程可能會對您有所幫助：

https://towardsdatascience.com/machine-learning-recurrent-neural-networks-and-long-short-term-memory-lstm-python-keras-example-86001ceaaebc

https://stackabuse.com/time-series-analysis-with-lstm-using-pythons-keras-library/

本教程是關於混合數據的： https://www.pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/

如果您不使用未提及的其他東西，我建議您嘗試 Keras 以熟悉如何訓練它。

只需在 google 中寫下您的問題，就可以幫助您找到許多具體的教程！

編輯：來自 keras 文檔：

keras.utils.to_categorical(y, num_classes=None, dtype='float32')

將 class 向量（整數）轉換為二進制 class 矩陣。 例如與 categorical_crossentropy 一起使用。 Arguments

• y：要轉換為矩陣的 class 向量（從 0 到 num_classes 的整數）。
• num_classes：類的總數。
• dtype：輸入期望的數據類型，作為字符串（float32、float64、int32...）

回報：

輸入的二進制矩陣表示。 類軸放在最后。

# Consider an array of 5 labels out of a set of 3 classes {0, 1, 2}:
> labels
array([0, 2, 1, 2, 0])
# `to_categorical` converts this into a matrix with as many
# columns as there are classes. The number of rows
# stays the same.
> to_categorical(labels)
array([[ 1.,  0.,  0.],
       [ 0.,  0.,  1.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.],
       [ 1.,  0.,  0.]], dtype=float32)