построить модель бинарной классификации с LSTM - PullRequest
Новая
       100

построить модель бинарной классификации с LSTM

1 голос
/ 08 октября 2019

У меня есть набор данных в формате csv с 49 столбцами, некоторые из них являются строками, а некоторые являются целыми числами.

Я добавил новый столбец для использования в качестве метки, называемый «вход», с соответствующей меткой как0 & 1.

Вот пример набора данных: enter image description here

Требуется рассмотреть все эти столбцы функций для обучения модели.

Какие варианты у меня есть для тренировки этой модели? Какие шаги я должен следовать? Любой ресурс (статья, видео и т. Д.) Будет очень признателен.

Спасибо,

1 Ответ

0 голосов
/ 08 октября 2019

Вот два учебника, которые могут вам помочь:

https://towardsdatascience.com/machine-learning-recurrent-neural-networks-and-long-short-term-memory-lstm-python-keras-example-86001ceaaebc

https://stackabuse.com/time-series-analysis-with-lstm-using-pythons-keras-library/

Этот учебник о смешанных данных: https://www.pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/

Я хотел бы предложить Керасу ознакомиться с тем, как его тренировать, если вы не используете что-то еще, что не упомянуто.

Просто напишите свой вопрос в Google, и вы сможете найти много конкретных учебных пособий!

РЕДАКТИРОВАТЬ: Из документации keras: 

keras.utils.to_categorical(y, num_classes=None, dtype='float32')

Преобразование классавектор (целые числа) в матрицу двоичного класса. Например, для использования с категориальной_кросентропией. Аргументы

  • y: вектор класса для преобразования в матрицу (целые числа от 0 до num_classes).
  • num_classes: общее количество классов.
  • dtype: Theожидаемый входом тип данных в виде строки (float32, float64, int32 ...)

Возвращает:

Двоичное матричное представление ввода. Ось классов ставится последней. 

# Consider an array of 5 labels out of a set of 3 classes {0, 1, 2}:
> labels
array([0, 2, 1, 2, 0])
# `to_categorical` converts this into a matrix with as many
# columns as there are classes. The number of rows
# stays the same.
> to_categorical(labels)
array([[ 1.,  0.,  0.],
       [ 0.,  0.,  1.],
       [ 0.,  1.,  0.],
       [ 0.,  0.,  1.],
       [ 1.,  0.,  0.]], dtype=float32)
...