我是机器学习的新手(前天开始(，我写了一个python脚本，希望能给我一个股价预测(至少是一个估计(。到目前为止，我已经收集了数据，并对值进行了日志转换，然后对这些值进行了规范化，并将它们转换为数据帧。代码如下：
from scipy import stats
from sklearn import preprocessing
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from keras.layers.core import Dense, Activation, Dropout
from keras.layers.recurrent import LSTM
from keras.models import Sequential
import time
df = pd.read_csv('CompaniesADANIPORTS.NSswing tradingADANIPORTS.NS.csv')
# convert everything to logarithmic values first to apply central limit theorem. Read about it.
open_log = np.log(df['Open'])
high_log = np.log(df['High'])
low_log = np.log(df['Low'])
close_log = np.log(df['Close'])
df = pd.DataFrame({'Open': open_log,'High': high_log,'Low': low_log,'Close': close_log})
scaler = MinMaxScaler()
scaler.fit(df)
NewData = scaler.transform(df)
pd.set_option('display.max_rows', None)
newdf = pd.DataFrame(NewData,columns=['Open','High','Low','Close'])
newdf.to_csv('logout.csv', index=False)
#X_train, y_train, X_test, y_test = train_test_split(newdf, test_size=0.3, shuffle=False)
train, test = train_test_split(newdf, test_size=0.3, shuffle=False)
print(train)
model = Sequential()
input_layer = Dense(32, input_shape=(4,))
model.add(input_layer)
hidden_layer = Dense(64, activation='relu')
model.add(hidden_layer)
output_layer = Dense(4)
model.add(output_layer)
model.compile(loss='mse', optimizer='rmsprop', metrics = ['accuracy'])
model.fit(train,test,epochs=10, verbose=0)
model.fit(X_train, y_train, epochs=10, validation_split=0.05)
'''
model = Sequential()
model.add(LSTM(units = 50,input_dim = 4))
model.add(Dropout(0.2))
model.add(LSTM(100))
model.add(Dropout(0.2))
model.add(Dense(output_dim = 1))
model.add(Activation('relu'))
start = time.time()
model.compile(loss='mse', optimizer='rmsprop')
print('compile time', time.time()-start)
model.fit(X_train, y_train, batch_size=512, nb_epoch=1, validation_split=0.05)
predictions = lstm.predict_sequences_multiple(model,X_test,50,50)
lstm.plot_results_multile(predictions,y_test,50)
'''
但每次我用model.fit(train,test,epochs=10, verbose=0)运行代码时，我都会得到一个错误，即
ValueError: Data cardinality is ambiguous:
x sizes: 1875
y sizes: 804
Please provide data which shares the same first dimension.
如果我用model.fit(X_train, y_train, epoch=10, validation_split=0.05)运行，我会得到一个错误作为
X_train, y_train, X_test, y_test = train_test_split(newdf, test_size=0.3, shuffle=False)
ValueError: not enough values to unpack (expected 4, got 2)
关于这两个错误，stackoverflow上似乎都有答案，但由于我对ML的了解有限，我似乎无法让它们发挥作用。所以我的问题是如何将预处理的数据拟合到模型上？
数据帧看起来有点像
Open High Low Close
0 0.019199 0.013422 0.037204 0.021447
1 0.025233 0.039041 0.044162 0.045250
2 0.048863 0.070543 0.052112 0.079218
3 0.082475 0.077543 0.088086 0.070864
4 0.070315 0.068797 0.085953 0.070041
5 0.077322 0.098920 0.091625 0.093531
6 0.099061 0.106808 0.112896 0.103979
7 0.091415 0.120864 0.000000 0.130006
8 0.137847 0.129369 0.135259 0.118405
and on and on until row 2678. Fairly straight forward I suppose
帮帮我，谢谢。
第一部分-
model.fit(train,test,epochs=10, verbose=0)
一点道理都没有。Model.fit方法需要每个样本(x数据中的行(和相应的标签(y数据中的元素(进行训练。如果行数为100，则需要为模型训练提供的标签数也是100。通过"测试"没有任何意义，因为这些数据只是为了验证你的模型的可推广性。
第二-
我不知道你的y变量是什么！您必须使用train_testrongplit创建一个单独的y变量。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, shuffle=False)
这是必须使用train_testrongplit的语法。X是一个包含自变量的二维矩阵，而y是一个一维数组(针对您的问题(。
一旦你做到了，只有这样你的模型才能正常工作。
最后-
您的模型架构似乎有一个4维的输入和一个4维度的输出。你想预测4个数值吗？如果没有，您的输出应该有一个Dense(1)
我真的鼓励你不要玩这样的代码，而是先花一些时间学习一些keras教程，否则你会养成一些糟糕的编码习惯。
train_test_split函数只返回2个值，而不是您使用的4个值。你可以像下面的一样使用它
train, test = train_test_split(newdf, test_size=0.3, shuffle=False)
或者，您还应该将标签作为参数提供给train_test_split脚本。在这部分中，我不确定哪一列是您的标签列。
X_train, y_train, X_test, y_test = train_test_split(newdf, labels, test_size=0.3, shuffle=False)