Я пытаюсь выяснить, как структурировать мой набор данных и построить X и y так, чтобы он работал с Stacked LSTM Keras для классификации последовательностей.
У меня есть данные панели, где я пытаюсь предсказатьклассификации.Я не совсем уверен, как понять временные шаги или как правильно создать форму данных, учитывая данные моей панели.
# Libraries
from keras.models import Sequential
from keras.layers import LSTM, Dense
import numpy as np
import pandas as pd
# Here is an example of my data
df = pd.read_csv('https://raw.githubusercontent.com/rocketfish88/democ/master/sample2.csv')
df
# Contains a handful of features, a target, year, and id of the observation
id year x1 x2 x3 y
0 A 2015 1 1 1 1
1 A 2016 2 2 2 1
2 A 2017 3 3 3 2
3 A 2018 4 4 4 2
4 B 2015 1 1 1 3
5 B 2016 2 2 2 2
6 B 2017 3 3 3 1
7 B 2018 4 4 4 1
8 C 2015 1 1 1 2
9 C 2016 2 2 2 2
10 C 2017 3 3 3 3
11 C 2018 4 4 4 2
Keras.io представляет следующее с примером:
data_dim = 16
timesteps = 8
num_classes = 10
# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
input_shape=(timesteps, data_dim))) # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True)) # returns a sequence of vectors of dimension 32
model.add(LSTM(32)) # return a single vector of dimension 32
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))
# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))
model.fit(x_train, y_train,
batch_size=64, epochs=5,
validation_data=(x_val, y_val))
Я совершенно заблудился относительно того, как взять мой набор данных и преобразовать его в правильную форму (размер, временные шаги, размеры)
Я ценю любую помощь!