时间戳

首页 > 解决方案 > 为什么我们需要重塑 LSTM 的输入？

python - 为什么我们需要重塑 LSTM 的输入？

问题描述

我读了这篇关于 LSTM 的文章：

https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/

第一个基本示例是关于“Vanilla LSTM”：预测下一个时间序列

其中输入 =[10, 20, 30, 40, 50, 60, 70, 80, 90]

在文章中，作者将输入（序列）拆分为矩阵：

X,              y
10, 20, 30      40
20, 30, 40      50
30, 40, 50      60
...

我不明白为什么输入需要重塑：

reshape from [samples, timesteps] into [samples, timesteps, features]

1. 为什么我们需要这个？

另外，如果我的输入是这样的（基本示例 + ID 列）：

ID    X,                y
1     10, 20, 30        40
1     20, 30, 40        50
2     30, 40, 50        60
2     40, 50, 60,       70
...

2.我们如何重塑它？我们将成为什么新维度？

标签： pythonmachine-learningscikit-learndeep-learninglstm

解决方案

不确定 ID 来自哪里，但对于 Keras 中的 LSTM 网络，您需要输入是 3 维的。

最初，您将二维矩阵作为输入，其中每一行都是一个时间戳，因此
[samples, timesteps]。

但是由于输入预计是 3 维的，因此您将其重塑为[samples, timesteps, 1]. 此处1指示您在数据中拥有的特征或变量的数量。由于这是一个单变量时间序列（您只有 1 个变量的序列）n_features 为 1。

这可以很容易地通过np_array.reshape(np_array.shape[0], np_array.shape[1], 1)

推荐阅读