输入 5 行数据，在 Keras LSTM 中分类（预测）第 6 行

Question

我想将数据集的 5 行输入到 LSTM 并对 Y 的第 6 行进行分类。我通过重塑数据进行了输入：

X = X.reshape(6000,5,5)

但是我如何预测第 6 行的 Y？ Y应该是什么形状？我在 Google 上阅读和搜索了很多，但老实说我无法理解代码，因为他们在使用它们之前自定义了数据。

我的完整代码：

import pandas as pd
from sklearn.preprocessing import LabelEncoder,MinMaxScaler
from keras.layers import Dense,RNN,LSTM,Activation,Dropout,SimpleRNN,Bidirectional
from keras.optimizers import RMSprop,Adam
from keras.wrappers.scikit_learn import KerasClassifier
from keras.models import Sequential
from sklearn.model_selection import train_test_split
import numpy as np

df = pd.read_csv('./EURUSD_DATAFRAME.csv')
BinEncoder = LabelEncoder()
scalar = MinMaxScaler()

df['pos'] = df['pos'].astype('int')
dat = df.values




X = dat[0:30000,0:5]
Y = dat[0:6000,5]


X[:,4]= BinEncoder.fit_transform(X[:,4])
X[:,0:4] = scalar.fit_transform(X[:,0:4])
X[:,4] = X[:,4].astype('int')
Y = BinEncoder.fit_transform(Y)

X = X.reshape(6000,5,5)
#MODEL 3
 model = Sequential()
 model.add(LSTM(1024,input_shape=(5,5),return_sequences=True,kernel_initializer='normal'))
 #model.add(Activation('tanh'))
 model.add(Dropout(0.2))
 model.add(LSTM(512))
 model.add(Dropout(0.3))
 model.add(Dense(1))
 model.add(Activation('sigmoid'))
 model.compile(optimizer='adam',loss='binary_crossentropy',metrics=['accuracy'])
 model.fit(X,Y,batch_size=100,epochs=10,validation_split=0.2)
 p = model.predict(X)
# print(classifier.score(X,Y))
# ----

我正在对编码为 1 或 0 的 Y 进行分类。

Answer 1

很简单。使用内置的 keras 函数：这会将它变成一个热表示，如 [0, 1] 和 [1, 0]

 from keras.utils import to_categorical

 y = to_categorical(y, num_classes=2)

并将最后一个密集层中的单元数更改为 num_classes，在您的例子中为 2。而且我认为您应该使用 softmax 进行分类而不是 sigmoid。此外，我建议您在 lstm 层或更高级的 LeakyRelu

之间使用 'relu' 激活

Answer 2

抱歉，我真的不明白你这是什么意思？您的输入形状是 (6000, 5, 5) 而您的输出形状是 (6000, 2)？那么第六行是什么意思？

输入 5 行数据，在 Keras LSTM 中分类（预测）第 6 行

Inputing 5 row data,classifiying(predicting) 6th row in Keras LSTM

python

deep-learning

keras

recurrent-neural-network