我有一个时间序列，它有多个输入特征和一个输出（分类）。我想创建一个模型来预测每一步的输出。
我的数据如下所示：
x: [[0.4, 0.8, -1], [1, 1.6, -0.2], ....]
y: [[1], [0], ...]
因此，当给定单个特征向量时，我希望我的模型输出 0 或 1。特征向量不是任何类型的序列，因为这只是一个简单的时间序列。
我有以下问题：
由于 Keras 要求数据格式为 (batch_size, time_steps, num_features)，而我已修复 num_features = 3，我应该为 batch_size 和 time_steps 设置什么？
我应该为stateful 的值添加什么？由于我的数据按特定顺序排列，即列表中的第一个事件首先出现，然后是第二个和第三个等，我假设我输入了stateful = True?
【问题讨论】：
标签： python keras lstm recurrent-neural-network
我不确定，但是您的 batch_size 可以自动设置，time_steps 等于功能集的数量，因此对于 [[0.4, 0.8, -1]] 它的 1 对于 [[0.4, 0.8, -1], [1, 1.6, -0.2]] 其 2 等。尝试将数据重塑为 (shape[0],3)。
【讨论】：
如果您刚开始训练 LSTM 模型，我建议使用stateful=False。一旦您对输入形状和 LSTM 的工作原理更加熟悉，您可以考虑使用stateful=True。你可以阅读更多关于它的信息here。
话虽如此，Keras 要求将数据格式化为(num_samples, time_stepss, num_features)。 batch_size 是您想要拟合模型时设置的参数。事实上，batch_size 和 time_steps 都是超参数，您可以调整它们并查看哪一个会产生更好的性能。因此，首先决定time_steps 以及您是否希望样本有重叠。
例如，您可能决定创建具有time_steps=4 的样本，并且每个样本之间有 2 个 time_steps 重叠：
x[0], x[1], x[2], x[3] -> y[0], y[1], y[2], y[3]
x[2], x[3], x[4], x[5] -> y[2], y[3], y[4], y[5]
x[4], x[5], x[6], x[7] -> y[4], y[5], y[6], y[7]
...
使用time_steps 并固定重叠，您将获得总num_samples。然后，您可以将这些数据输入到 model.fit() 中，batch_size 为 32、64 等。
如果您想避免编写代码来重塑数据，可以使用 Keras 的TimeseriesGenerator。请注意，长度用于time_steps 和stride 确定重叠。
【讨论】：