python - Keras LSTM 用于对不规则间隔的时间序列进行分类
问题描述
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?
解决方案
推荐阅读
- firebase - 颤振不再是 takinig firebaseUser 命令了吗?
- 3d - 执行 gl.texSubImage2d 失败
- r - 如何找到R中向量中每个元素的文本字符串的匹配位置?
- python-3.x - List 将每个对象作为字符串类型返回,但是当我尝试将其转换为 int 时会中断
- swift - 在 Xcode 12 的 SwiftUI 项目中使用 ViewRouter
- java - 如何拒绝java程序中的字符/字母
- javascript - 使用提交按钮转到 URL 使所有复选框都是强制性的
- python - 如何打印嵌套循环的异常?
- maven - Maven 在当前目录中使用“?”创建本地存储库 子目录
- javascript - 如何在网页上垂直降低图像