machine-learning - LSTM 和标签

让我们从“我知道 ML 无法比猴子更好地预测股市”开始。但我只想经历它。

我的问题是一个理论问题。假设我有日期、开盘价、最高价、最低价、收盘价作为列。所以我想我有 4 个特征，开、高、低、关。

'my_close' 将成为我的标签（答案），我将使用当前行的 7 天后的 'close'。基本上我将“关闭”列向上移动 7 行，并使其成为一个名为“my_close”的新列。

LSTM 处理序列。所以说我设定的顺序是20天。因此我的形状将是（1000 天的数据，20 天的序列，3 个特征）。

困扰我的问题是这 20 天或几行数据是否应该具有完全相同的标签？或者他们可以有单独的标签吗？还是我误解了整个理论？

多谢你们。

标签： machine-learningkeraslstmrnntflearn

在您的情况下，您想使用前 7 天的股票价值来预测当天的股票价格。您构建输入和输出的方式需要在输入模型之前进行一些修改。

您在理解时间步长（在您的序列中）时犯了错误。外行术语中的时间步长（序列）是我们在预测输出时将考虑的输入总数。在您的情况下，它将是 7（而不是 20），因为我们将使用前 7 天的数据来预测当天的输出。

您的输入应该是前 7 天的信息

[F11,F12,F13],[F21,F22,F23],........,[F71,F72,F73]

Fij 其中，F 代表特征，i 代表时间步长，j 代表特征编号。

输出将是第 8 天的股票价格。在这里，您的模型将分析前 7 天的输入并预测输出。因此，要回答您的问题，您将有一个前 7 天输入的通用标签。

我强烈建议你多学习一点 LSTM。