Я хотел бы использовать глубокое обучение для реализации регрессии с использованием LSTM, проблема, с которой я столкнулся, была , как определить входной и выходной слой . В моем наборе данных есть 5 объектов, которые были записаны в разных пространственных точках с шагом 1000 раз. Как я понял, я должен преобразовать свой набор данных в трехмерный массив (сэмплы, временные шаги, функции), и я еще не понял, как изменить его. Приведенный ниже код является моей неудачной попыткой достичь цели.
# Loading libraries
import numpy as np
import pandas as pd
import os
import math
import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
from pandas import read_csv
from matplotlib import pyplot
import tensorflow.keras.backend as K
from keras.layers import Dense, Activation
from keras.layers.recurrent import LSTM
from keras import backend as K
from keras.models import Sequential
from sklearn.metrics import mean_squared_error
from keras.layers import InputLayer
Загрузка данных
df = pd.read_excel("concate35w270.xlsx")
df = df.astype('float32')
Отображение данных
T|x|y|f1|f2|f3|f4|f5
1|0|0|15.0|0.10|0.010|+0.02|0.1|
1|1|1|14.1|0.11|0.012|-0.02|0.2|
1|2|2|14.9|0.12|0.011|+0.01|0.2|
2|0|0|15.0|0.11|0.012|+0.02|0.1|
2|1|1|15.1|0.12|0.013|-0.03|0.1|
2|2|2|14.9|0.13|0.014|+0.04|0.3|
...
f - это моя особенность, и в каждый шаг по времени и x, y У меня есть значения для моих функций.
поиск данных и изменение их формы
y = df.iloc[:,5]
X1 = df.iloc[:,0]
X2 = df.iloc[:,1]
X3 = df.iloc[:,2]
X4 = df.iloc[:,3]
X5 = df.iloc[:,4]
X = np.column_stack((X1,X2,X3,X4,X5))
x = np.reshape(1000,1,5)
y = np.reshape(1000,1,1)
Все усилия будут оценены.