我正在遇到准备数据以在Keras的LSTM层中使用的问题。数据是一个1,600,000项时间序列CSV，由日期和三个功能组成：
Date F1 F2 F3
2016-03-01 .252 .316 .690
2016-03-02 .276 .305 .691
2016-03-03 .284 .278 .687
...
我的目标是预测F1 Prediction_period 时间段的价值。了解KERAS的LSTM层以格式（示例，时间段，尺寸）采用导入数据，我编写了以下功能，以将数据转换为以这种格式的3D Numpy阵列（以2016-03-03为例）：
[[[[[284，.278，.687]，[.276，.305，.691]，[.252，.316，.690]]，...其他样品...P>
此功能通过堆叠数据的副本来创建数组，每个副本都会返回一步。回顾是堆栈中的"图层"数量，而Trainpercent是火车/测试拆分：
def loaddata(path):
df = pd.read_csv(path)
df.drop(['Date'], axis=1, inplace=True)
df['label'] = df.F1.shift(periods=-prediction_period)
df.dropna(inplace=True)
df_train, df_test = df.iloc[:int(trainpercent * len(df))], df.iloc[int(trainpercent * len(df)):]
train_X, train_Y = df_train.drop('label', axis=1).copy(), df_train[['label']].copy()
test_X, test_Y = df_test.drop('label', axis=1).copy(), df_test[['label']].copy()
train_X, train_Y, test_X, test_Y = train_X.as_matrix(), train_Y.as_matrix(), test_X.as_matrix(), test_Y.as_matrix()
train_X, train_Y, test_X, test_Y = train_X.astype('float32'), train_Y.astype('float32'), test_X.astype('float32'), test_Y.astype('float32')
train_X, test_X = stackit(train_X), stackit(test_X)
train_X, test_X = train_X[:, lookback:, :], test_X[:, lookback:, :]
train_Y, test_Y = train_Y[lookback:, :], test_Y[lookback:, :]
train_X = np.reshape(train_X, (train_X.shape[1], train_X.shape[0], train_X.shape[2]))
test_X = np.reshape(test_X, (test_X.shape[1], test_X.shape[0], test_X.shape[2]))
train_Y, test_Y = np.reshape(train_Y, (train_Y.shape[0])), np.reshape(test_Y, (test_Y.shape[0]))
return train_X, train_Y, test_X, test_Y
def stackit(thearray):
thelist = []
for i in range(lookback):
thelist.append(np.roll(thearray, shift=i, axis=0))
thelist = tuple(thelist)
thestack = np.stack(thelist)
return thestack
当网络接受数据并进行训练时，损失值异常高，考虑到数据具有确定的周期性趋势，这非常令人惊讶。为了尝试隔离问题，我用sin波数据集替换了我的数据集和网络结构，并从此示例中结构结构：http://www.jakob-aungiers.com/articles/a/lstm-neural-network-for-series-prediction。
即使使用SIN波数据集，示例函数产生的损失仍然高于数量级。我使用一个列的顺序数据集对函数进行了逐步处理，并将预期值与实际值进行了比较。我没有发现任何错误。
我是否为KERAS的LSTM层错误地构建了输入数据？如果是这样，做这件事的正确方法是什么？如果没有，您期望会导致这些症状（即使有40个以上的时代）或其他方式引起这些症状（即使随着40个以上的损失也不会减少）。
事先感谢您提供的任何建议！
这是您可以做一些改进预测的事情：
-
首先确保输入数据是集中的，即应用一些标准化或归一化。您可以使用来自Sklearn库或实施的Minmaxscaler或StandardardScaler根据您的数据进行一些自定义缩放。
-
确保您的网络（LSTM/gru/rnn）足够大，可以捕获数据中的复杂性。
-
使用keras中的张板回调来监视您的体重矩阵和损失功能。
-
使用自适应优化器而不是设置自定义学习参数。也许是'adam'或" adagrad"。
使用这些至少可以确保您的网络正在培训。随着时间的流逝，您应该看到损失的逐渐减少。解决此问题后，您可以自由尝试最初的超参数并实施不同的正则化技术
祝你好运！
a"高损失"是非常主观的事情。我们无法在不看到您的模型的情况下进行评估。
它可能来自多种原因：
- 训练损失可能受正规化技术的影响。例如，L2正则化的全部要点是在损失中添加模型的权重。
- 损失由目标函数定义，因此取决于您使用的目标。
- 您使用该目标函数的Optmizer可能无法适应。一些优化器不会加剧损失的融合。
- 您的时间意甲可能无法预测（但这显然不是您的情况）。
- 您的模型可能不足以实现您要完成的任务。
- 您的培训数据未正确准备（但是您已经调查了）
您看到有很多可能性。高损失本身并不意味着任何事情。您可能会有很小的损失，并且只需 1000，而您的损失将是很高的事件，即使解决了问题