在Keras中使用循环神经网络对序列数据进行预测

Question

在Keras中使用循环神经网络对序列数据进行预测

5

我刚接触机器学习，正在按照这个教程学习如何基于一些期货进行加密货币预测。

以下是我的代码进行预测：

model = load_model("Path//myModel.model")

ready_x = preprocess_df(main_df) # the function returns array of price sequences and targets (0-buy,1-sells): return np.array(X), y 
predictions = []

for x in ready_x:
 l_p = model.predict_classes(x) #error occurs on this line
 predictions.append(l_p[0])
plot_prediction(main_df, predictions)

但我遇到了以下错误：

ValueError：检查输入时出错：预期lstm_input有3个维度，但得到的数组形状为（69188，1）

我真的不太明白这个错误的意思，这是我在著名的猫和狗分类之后进行的第二个机器学习项目。因此，在调试方面并没有太多经验，我确实先学习了神经元的理论以及它们之间的关系，但将这些知识应用于实际项目仍然非常困难。因此，这个项目的想法是基于过去60分钟的价格（在其上进行训练）来预测未来3分钟的价格。

模型如下：

model = Sequential()
model.add(LSTM(128, input_shape=(train_x.shape[1:]),return_sequences=True))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(LSTM(128, return_sequences=True))
model.add(Dropout(0.1))
model.add(BatchNormalization())

model.add(LSTM(128))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(Dense(32, activation="relu"))
model.add(Dropout(0.2))

model.add(Dense(2, activation="softmax"))

opt = tf.keras.optimizers.Adam(lr=0.001, decay=1e-6)

main_df是一个数据框，包括：

我的问题是，我应该如何为模型提供正确的数据输入来进行预测？

编辑:
preprocess函数：

def preprocess_df(df):
    #scalling
    df = df.drop('future', 1)

    for col in df.columns:
        if col!= "target":
            df[col] = df[col].pct_change() # normalizes the data
            df.dropna(inplace=True)
            df[col] = preprocessing.scale(df[col].values) #scale the data between 0-1

    df.dropna(inplace=True)

    sequential_data = []
    prev_days = deque(maxlen=SEQ_LEN)

    for i in df.values:
        prev_days.append([n for n in i[:-1]]) # append each column and not taking a target
        if len(prev_days) == SEQ_LEN:
            sequential_data.append([np.array(prev_days), i[-1]])

    random.shuffle(sequential_data)

    # BALANCING THE DATA
    buys = []
    sells = []

    for seq, target in sequential_data:
        if target == 0:
            sells.append([seq, target])
        elif target == 1:
            buys.append([seq, target])

    random.shuffle(buys)
    random.shuffle(sells)

    lower = min(len(buys), len(sells))

    buys = buys[:lower]
    sells = sells[:lower]

    sequential_data = buys + sells
    random.shuffle(sequential_data)

    X = []
    y = []

    for seq, target in sequential_data:
        X.append(seq)
        y.append(target)

    return np.array(X), y

- casper

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- OverLordGoldDragon · Accepted Answer

LSTM需要输入以 (batch_size, timesteps, channels) 格式为形状的数据; 在您的情况下，timesteps=60，而且 channels=128。 batch_size 表示每次进行拟合/预测时输入的样本数量。

您的错误提示表明存在预处理问题:

基于索引名称 time 的 DataFrame 行会填充 x 的 dim 1 -> timesteps
列通常是特征，会填充 x 的 dim 2 -> channels
dim 0 是样本维度；“样本”是一个独立的观察 - 根据您的数据格式如何，一个文件可能是一个样本，或包含多个样本

一旦考虑到上述问题:

print(x.shape) 应该显示为 (N, 60, 128)，其中 N 是样本数，>= 1
由于您正在遍历 ready_x，因此 x 将沿其 dim 0 切片 ready_x - 因此 print(ready_x.shape) 应该显示为 (M, N, 60, 128)，其中 M >= 1；它是“批次”维度，每个切片都是一个批次。

作为基本的调试: 在您的预处理代码中插入 print(item.shape)，其中 item 是数组、DataFrame 等 - 以查看各种步骤中形状如何变化。确保有一个步骤可以给出最后一个维度上的 128，并且在倒数第二个维度上为 60。