Python時間序列LSTM預測系列學習筆記(6)-單變數
阿新 • • 發佈:2018-12-08
本文是對:
https://machinelearningmastery.com/time-series-forecasting-long-short-term-memory-network-python/
https://blog.csdn.net/iyangdi/article/details/77877122
兩篇博文的學習筆記,兩個博主筆風都很浪,有些細節一筆帶過,本人以謙遜的態度進行了學習和整理,筆記內容都在程式碼的註釋中。有不清楚的可以去原博主文中檢視。
資料集下載:https://datamarket.com/data/set/22r0/sales-of-shampoo-over-a-three-year-period
後期我會補上我的github
這一節沒有什麼具體內容,其實就是把老外的那篇文章翻譯了一下,主要說了後期我們還有哪些地方可以深入研究,什麼地方可以考慮優化一下,我直接將內容複製過來,稍微看一下就行了
簡單LSTM案例的擴充套件思考 基於Python時間序列LSTM預測系列教程(4)~(5)中介紹的LSTM案例 是最簡單狀態的LSTM,要得到優化的LSTM,需要進行很多擴充套件實驗 1、Mini-Step預測 可以將預測變成n-time step的預測 2、Tune模型 至少tune下神經元個數和epoch的次數 在訓練期間,通過回撥進行早期停止,也可能獲得好的結果 3、Seed狀態 網路狀態的初始化seed方案,可能影響效能 4、更新模型 模型可以在每次walk-forward驗證的時候更新 5、輸入的時間步 需要支援多時間步長的輸入 6、輸入lag屬性 可以將lay作為輸入特徵feature,看能否提升模型效能,類似AR(k) 7、輸入error序列 可以建立誤差序列(通過靜態模型預測誤差),將其作為輸入特徵feature,看能否提升模型效能,類似MA(k) 8、學習非穩定資料 LSTM可能學習到趨勢或週期性,可以通過實驗確定下 9、對比無狀態 可以建立無狀態LSTM進行對比 10、統計特徵 多次repeat計算一些統計值,可以通過相關統計學知識,計算不同模型設定下的效能 --------------------- 作者:iyangdi 來源:CSDN 原文:https://blog.csdn.net/iyangdi/article/details/77877122 版權宣告:本文為博主原創文章,轉載請附上博文連結!