我已经构建了一组Python脚本。这些脚本执行以下任务-
- 根据用户输入（股票代码、开始日期、结束日期等）获取股票价格信息
- 基于股票价格信息构建并训练模型
- 预测下一期的价格和相关的均方根误差（RMSE）
- 将输出和用户输入一同写入xlsx文件
到目前为止，一切都很好，它能以一种不错的方式完成上述所有任务。然而，每次我用相同的数据和用户输入执行脚本（2）和（3）时，我得到的预测值都不同。我明白这些是预测，即使所有因素保持相同，预测值也会有所不同。
例如，如果第1次试验的预测值为100，那么第2次试验的预测值可能为105，第3次试验的预测值可能是95，依此类推。这种（正负）5的变化是可以接受的。但预测值不能在80到120的范围内。
我的问题是 – 如何最小化预测值的变化？
提前感谢，@***
这是我正在使用的示例代码。
from sklearn.preprocessing import MinMaxScalerfrom keras.models import Sequentialfrom keras.layers import Dense, LSTM, Dropoutfrom tensorflow.python.util import deprecationmodel = Sequential()lstm1 = LSTM(units=60, return_sequences=True, input_shape = (x_train.shape[1],1))lstm2 = LSTM(units=60, return_sequences=True)lstm3 = LSTM(units=60)dropOut = Dropout(0.2)dense = Dense(units=1)model.add(lstm1)model.add(dropOut)model.add(lstm2)model.add(dropOut)model.add(lstm2)model.add(dropOut)model.add(lstm3)model.add(dropOut)model.add(dense)model.compile(optimizer='adam', loss='mean_squared_error')回答：
如果你的模型预测值的变化很大，那么这表明你的模型训练得还不够充分。请通过增加训练轮次并在模型中添加几层来进一步训练你的模型。
此外，我建议你为模型的各层添加适当的激活函数。
