我有10个时间序列数据文件。其中，我用5个文件训练LSTM模型，用3个文件进行验证，用2个文件进行测试。我使用了Keras的fit_generator，并为训练和验证数据框编写了一个生成器函数。但不幸的是，在预测时，初始预测值比原始目标值高很多。
另一方面，如果我对每个数据框使用model.fit，我得到了相对更好的结果。我的问题是：“对于每个数据文件都是独立的时间序列数据（例如，每个文件包含从0小时到24小时的评级），在每次迭代中对每个数据文件使用fit是否正确的方法？”
for scaled_dataset in training_list: reframed_new = series_to_supervised(scaled_dataset, n_in, n_out) values = reframed_new.values train = values # 将数据分割成输入和输出 train_X, train_y = train[:, :-1], train[:, -1] # 重塑输入为3D [样本, 时间步, 特征] train_X = train_X.reshape((train_X.shape[0], 1, train_X.shape[1])) model.fit(train_X, train_y, epochs=50, batch_size=475, validation_data=None, verbose=1, shuffle=False)在我的代码中，训练列表包含所有5个独立的数据框。因此，在每次迭代中，我都在拟合一个模型。请问这是正确的方法吗？提前感谢您的回答。
回答：
这是我从您的问题中理解的内容：
-
您有10个不同的时间序列文件，所有文件都包含从0小时到24小时的独立数据。我的第一个问题是这些文件的顺序是什么，这意味着文件1、文件2等是否属于同一个序列？
- 如果是，您可以尝试将这些数据框连接起来，训练一个简单的预测模型，看看结果如何。
- 由于所有文件的范围都是从0小时到24小时，您可以将
batch_size设置为文件长度。在不知道数据集结束或时间序列长度不同的情况下，生成器函数会很有用。
如果不是，您必须为不同的时间序列训练不同的模型。
