如何训练在线回归模型

我有一个数据集，其形状为 (9430, 12)。问题出现在拟合时：所有 12 个特征都是我的 X 和 Y。我的意思是，这是一个在线学习模型，我训练 data[i]，然后预测 data[i+1]。所以如你所见，并且正如我之前所说，Y = X。

data.shape = (9430, 12)Y = X = data.valuesmodel.fit(X, Y)

这样做不对吗？如果是，那我应该如何训练它？

回答：

我理解你的目标是，在每个时间步，你希望预测下一个时间步的输入。

目前，你尝试预测的输出与你传递的输入相同。鉴于Y[0] = X[0], Y[1] = X[1]，依此类推。

你应该在Ys矩阵中将窗口框架移动一个单位。例如，假设X是一个numpy数组，你可以这样做：

import tensorflow as tfY = tf.concat((np.copy(X[1:,:]),np.zeros((1,12))), axis=0)X = tf.convert_to_tensor(X)

这段代码将实现：Y[0] = X[1] , Y[1] = X[2]，这是能够在每个点预测下一个点的期望输出。

一旦你准备好这两个张量，你就可以用Tensorflow或Keras来拟合你的模型。请注意，Ys矩阵的最后一行只是一个填充的0行，因为你不知道下一步的真实值。可能在进行训练时，你应该从数据集中跳过这一行。

此外，对于预测序列数据，循环神经网络（如LSTM，长短期记忆）更为合适。我建议你研究一下它们 🙂

学技术