预测序列中的下一个数字 Keras - Python

Question

我是 python 和神经网络的新手。我有一个用 Keras 编写的简单网络，可以预测线性序列中的下一个数字：

import numpy as np

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM

data = [[i for i in range(6)]];
data = np.array(data, dtype=int);
target = [[i for i in range(10, 16)]];
target = np.array(target, dtype=int);

model = Sequential();
model.add(Dense(1, input_dim=1))
model.add(Dense(1));
model.compile(loss='mean_absolute_error', optimizer = 'adam', metrics = ['accuracy']);
model.summary();
for i in range (10000):
    dataIterator = 0;
    for targetValue in target:
        model.train_on_batch(data[dataIterator], targetValue)
        dataIterator = dataIterator + 1;

predict = model.predict([28]);
print(predict);

给我输出：

[[38.0199]]

这是可以预料的。我不确定我的代码是否有一些愚蠢的错误，希望得到任何反馈和解释。我使用 Dense 是因为我不确定 LSTM 究竟是做什么的。另一件事是，我的模型在指定时要求输入具有 2 个维度：

input_dim=1

我不明白为什么。接下来，我想创建一个网络，可以预测像 [1, 4, 9, 16, 25] 这样的序列中的下一个数字。这个没有。

请注意，这是我第一个用 Python 编写的程序，也是第一次使用神经网络:)。提前致谢！

更新 1

根据使用规模的提示，我想出了这样的事情：

import numpy as np

from keras.models import Sequential
from pandas import Series
from keras.layers import Dense
from keras.layers import LSTM
from sklearn.preprocessing import StandardScaler

data = [[i for i in range (1,30)]];
data = np.array(data, dtype=int);
target = np.power(data, 2);
target = np.array(target, dtype=int);
target = target.reshape((len(target[0]), 1))
data = data.reshape((len(data[0]), 1))

scale = StandardScaler()

dataTest = [[i for i in range (2,4)]];
dataTest = np.array(dataTest, dtype=int);
dataTest = dataTest.reshape((len(dataTest[0]), 1))

model = Sequential();
model.add(Dense(1, input_dim=1))
model.add(Dense(1));
model.compile(loss='mean_absolute_error', optimizer = 'adam');
model.fit(scale.fit_transform(data), target, batch_size=1, epochs=200, verbose=1)

print(model.predict(scale.transform(dataTest)));

尽管如此，这些预测还是很不理想。对于给定的测试数据，输出：

[[27.616932]
 [28.265278]]

我现在没有想法:(。完全没有感觉。

Answer 1

这是可以预料的。我不确定我的代码是否有一些愚蠢的错误，希望得到任何反馈和解释。我使用 Dense 是因为我不确定 LSTM 到底做了什么。

LSTM，代表长短期记忆，是一种特殊的RNN，能够学习长期依赖。此外，它的使用主要是sequential processing随着时间的推移。例如，您可以LSTM在想要预测Google 股票价格时使用。

由于您必须按顺序预测下一个数字，因此[1, 4, 9, 16, 25]这意味着它是一个回归学习系统模型，属于监督学习。当您使用regression模型时，没有accuracy. 回归模型的准确性称为CODorCoefficient of determination或R squared score。

在metric你使用-metrics=['accuracy']对应于一个分类问题。如果要进行回归，请删除metrics=['accuracy']. 也就是说，只需使用

model.compile(optimizer = 'adam',loss = 'mean_absolute_error')