为了进行适当的CV,建议使用管道,以便可以对CV中的每个折叠应用相同的转换.我可以使用sklearn.preprocessing.FunctionTrasformer或通过使用或定义自定义转换subclassing sklearn.base.TransformerMixin.推荐的方法是哪一种？为什么？
在Keras的LSTM实现中的默认模式（状态= False）下，一批中的所有样本都是独立的，并且状态不会从一个样本传播到下一个样本。根据我的理解，输入序列长度（L）是使LSTM保持状态的唯一方法。但是，这限制了状态传播到一个固定数目的时间步长，即大号。从理论上讲，与具有固定大小的滑动输入窗口的前馈NN相比，此操作模式将具有什么优势。这样，到NN的每个输入都是L个连续输入值的向量。
从理论上讲，LSTM应该能够学习跨越1000个时间步长的长期依赖关系。但这是否不要求我有L = 1000，因为没有办法捕获比输入序列长的依赖项？我知道可以通过格式化输入数据来使用有状态模式，这样每批的第i个样本都是相关的。我很难理解默认的LSTM模式相对于带有滑动窗口的前馈NN优于输入数据有什么优势？