如何在Python中使用LSTM获取新数据的预测

Question

这是一个单变量时间序列预测问题。如下代码所示，我将原始数据分为训练集（trainX）和测试集（testX），然后使用Keras创建了一个LSTM网络。接下来，我通过训练集对模型进行训练。但是，当我想要得到预测结果时，我需要知道测试值，因此我的问题是：既然我已经知道了这个问题中的测试集的真实值，为什么还需要进行预测呢？我想要得到的是未来时间的预测值？如果我对LSTM网络有误解，请告诉我。

谢谢！

# create and fit the LSTM network
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)
# make predictions
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)

- S.X

---

机器学习是找到一个函数，当给定X时返回y。其中X可能是中文句子，而y则是翻译成英语的句子。测试模型用于评估模型是否足够好。因此，下一次当您提供另一个X（例如新的中文句子）时，它将预测出y（一个英文句子）。 - Zealseeker

你可能指的是“生成模型”吗？这个实现起来相当复杂。 - O.rka

testPrediction = model.predict(testX)的意思是使用已知数据集testX来评估模型，并获取testX之后时间的预测值。如果您想获取testX之后时间的预测值，可以使用该代码。 - S.X

Answer 1

由于我们在训练模型时没有未来的价值，所以我们只是将数据分成训练集和测试集。然后我们假设测试集是未来的价值。我们使用训练集（通常还有验证集）来训练模型。在模型训练完成后，我们使用测试集来测试模型的性能。

- kerastf

---

嗨，如果我们只是将测试集想象成未来的值，并且我们已经评估了模型，那么我们如何使用测试集之后预测的结果精确地进行预测呢？ - S.X

Answer 2

为什么我已经知道测试数据集的真实值，还要进行预测呢？我想得到的是未来时间的预测值。

在机器学习中，我们提供测试数据X，然后返回Y。对于时间序列问题，这可能会让初学者有些困惑，因为我们使用X，输出看起来也是X：区别在于，我们将时间序列的旧值作为X输入，输出Y是同一时间序列的值，但我们在预测未来（也可以应用于现在甚至过去），正如您正确地指出的那样。

（附言：如果您只想学习机器学习，我建议您从简单的回归开始，然后再转向LSTM等更高级的模型。）

- Failed Scientist

---

我真正理解你的意思，并且了解LSTM网络学习的过程。也许之前我没有清楚地表达问题。实际上，我知道如何训练LSTM网络，但在预测新数据方面遇到了困难。对于我们来说，获取未来值以服务于其他用途更为重要。我只是对如何进行预测有疑问，而不是评估模型。我的意思并不是评估不重要，换句话说，在模型通过评估后，预测值才能发挥作用。 - S.X

好的，我明白了。那么只需使用 model.predict(testX) 即可。实际上，这就是我们在大多数预训练的深度学习模型中所做的，我们不需要重新评估它们。只需拿出模型并进行预测即可。 - Failed Scientist

Answer 3

我认为这个上下文中的正确术语是“预测”。

一个好的解释是：在你训练和测试了模型之后，使用你已经有的数据（就像其他人之前所说的那样），你想要预测未来的数据，这才是循环网络的真正有趣之处。

因此，为了做到这一点，你需要从原始数据集中的最后日期的第二天开始，使用模型（该模型是用过去的数据进行训练的）来预测未来的值。一旦你预测出这个值，你就会像以前一样，考虑最后一次预测的值，并依此类推。

你使用预测来进行其他预测的事实意味着得到好的结果更加困难，因此通常尝试预测短时间范围内的情况。

需要执行的确切代码可能会有所不同，但我认为这是主要概念。

在下面的链接中，在最后一部分进行预测时，作者向我们展示了他是如何完成的代码以及解释。

https://towardsdatascience.com/time-series-forecasting-with-recurrent-neural-networks-74674e289816

我想就这样吧。

- Lucas Viotto