序列分类 Tensorflow - LSTM答案

【问题标题】：Sequence classification Tensorflow - LSTM序列分类 Tensorflow - LSTM
【发布时间】：2021-02-21 19:20:11
【问题描述】：

我有一个如下所示的数据框：

id.   date           mycol       label

1.    01/12/2019      c1             1
1.    03/12/2019      c2             1
1.    04/12/2019      c3             1
2.    01/12/2019      c1             0
2.    03/12/2019      c5             0 
3.    15/01/2020       ..            1
4.     ...                           1
.
.

同一id的标签总是相同的，这是一个二元分类问题。我想只为每个 id 预测基于 mycol 的标签，我需要提前 5 个月进行预测。我想我应该使用 LSTM，但问题在于日期和如何设置序列，因为我以前没有见过这种问题，而且我只是从 LSTM 开始。按 id 分组会为每一行提供非常大的 mycol 值列表。我不确定如何以月/周来区分这些值，我是否应该这样做，或者我应该像这样将它们留在每行的 1 个巨大列表中。非常感谢您的帮助。

【问题讨论】：

我认为您应该将问题视为时间序列问题。是的，LSTM 可以解决它，但尝试使用更简单的模型，如 ARIMA 或 ARIMA 的一些变体
你有什么例子可以说明这可能是如何工作的吗？

标签： python tensorflow lstm sequence

【解决方案1】：

你的第一个输入序列应该是 [c1, c2, c3], label - 1,

第二个 - [c1, c5]，标签 - 0，

...

序列长度无关紧要（您不必添加填充）。 LSTM 学习如何根据新输入（序列元素）改变其状态权重。

【讨论】：

你最初的问题是分类任务：你有一个序列作为输入，标签作为输出。请澄清 - 你将如何提前 6 个月预测：你想预测 mycol 而不是 label ？如果是这样 - 你必须训练另一个 LSTM 来预测 mycol 6 个月，然后将预测的序列提供给第一个 LSTM 进行分类。
如果您的标签影响 mycol - 为这两个目的训练一个 LSTM 可能更有效（因为 LSTM 有两个输出）。您需要使用包含两个损失的损失（每个目的单独损失）
我没有代码示例。您应该使用 BinaryCrossentropy 进行序列分类，使用 SparseCategoricalEntropy 进行下一个元素预测