Я играю с керасом + TF.У меня есть модель, которая состоит из 4 слоев LSTM + 2 плотных слоя.
У меня есть 3 особенности, которые представляют собой 3 последовательности sin и цель, которая является умножением 3 последовательностей sin.
Уровни LSTM сконфигурированы с 30 временными шагами отставания.
Я обучаю RNN с 80% функций, а затем запрашиваю его для прогнозирования изученных данных (80% от общего объема данных), я получаю очень хороший прогноз.
Далее я продолжаюс последними 20% данных, разбивающими его на 10 частей и зацикливающими в предикате (part_x [0]), подгонке (part_y [0]), прогнозировании (part_x [1]), подгонке (part_y [1]) ..Но качество прогноза резко падает.
Правильно ли ожидать, что цикл прогнозирования (x [i]) / fit (x [i], y [i]) должен давать достойный результат для каждого блока x [i + 1]?
Еще один вопрос: возможно ли обучить RNN с 4 функциями и предсказать его с 3 функциями?Если да, как я могу «ослепить» недоступные функции на этапе прогнозирования?
TIA Roberto C.