时间戳

首页 > 解决方案 > 如何使用机器学习和 LSTM 确定价格预测中的层数和单位数？

python - 如何使用机器学习和 LSTM 确定价格预测中的层数和单位数？

问题描述

我正在尝试为与预测相关的问题（类似于股票价格预测）提出一个实验性解决方案。

我一直在阅读很多关于使用机器学习和使用 LSTM（keras 和 tensorflow）预测股票价格的文档。我了解机器学习本身的一般理论以及 LSTM 层如何在幕后工作。

我主要担心的是，我发现的每个关于股票价格预测的教程都提供了不同数量的隐藏 LSTM 层，并且每个层都有预定义的单元数量，没有太多解释。在经典的“Apple (AAPL) 股价预测”场景中，我看到了 3 层和 50 个单元的教程，其他只有 2 层但 128 个单元的教程。

在我必须自己编写代码的情况下，如何确定 LSTM 的数量和预测正常运行的单元数量？我目前的主要猜测是试图通过反复试验来解决这个问题。我想知道问题、数据和解决方案之间是否存在某种关系。

此外，如果有人可以解释拥有更多/更少的 LSTM 层和更多/更少的单元而不是进行更多计算的效果，那就太棒了！

标签： pythonmachine-learningkeraslstmprediction

解决方案

一个好的方法是从具有一些特征的小数据集开始。创建一个非常简单的神经模型并尝试在这个集合上对其进行训练。如果你的网络正确地预测了测试集，它会使数据集复杂化并重新训练。但是，如果网络不起作用，它会通过添加节点或层来增加其大小。

当数据集充满所有特征时，您就拥有了完成此任务的最佳网络

推荐阅读