python - Keras LSTM 用于对不规则间隔的时间序列进行分类

Question

我有一个包含各种样本的数据集，每个样本在不规则的时间间隔内都有一个或多个事件。有几个与事件相关的功能。我想预测与每个样本相关的二进制标签。

数据集如下所示：

    import pandas as pd
    X = pd.DataFrame({'id': [1,1,1,2,2,3,3,3,3],
              'time': [-1,-5,-10,-2,-4,-1,-4,-7,-10],
              'var1': [1,2,1,3,1,2,1,3,1], 
              'var2': [3,3,1,4,1,3,3,1,2],
              'var3': [4,5,6,1,3,5,6,7,8]})

    Y = pd.DataFrame({'id': [1,2,3],
              'label': [0,1,0]})

在 X 中，列 id 是样本，时间反映了事件发生在多少天之前。Var1..3 是与事件相关的特征（分类）。在 Y 中，列标签是要预测的响应。

在实际数据集中，每个样本的事件数量变化很大，从 1 到几百。

如何使用 Keras LSTM 使用 X 数据帧中过去事件的特征来呈现 Y 数据帧中标签的预测？

标签： pythonpandaskeraslstm