model = Sequential()
model.add(LSTM(512, input_shape=(None, 1), return_sequences=True))
model.add(Dropout(0.3))
model.add(LSTM(512, input_shape=(None, 1)))
model.add(Dropout(0.3))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='rmsprop', metrics=['accuracy'])
model.summary()
model.fit(x_train, y_train, epochs=10, batch_size=16)
p = model.predict(x_test)
это мой код и
здесь модель lstm временного ряда часов и результат ниже
и я хочу получить эту модельдля прогнозирования минутных единиц
мне просто интересно попробовать линейную регрессию
data = y # p
scaler = MinMaxScaler(feature_range=(0, 1))
data = scaler.fit_transform(data)
x = np.arange(0, len(y))
x=x.reshape(len(x),1)
x = scaler.fit_transform(x)
train_size = int(len(data) * 0.80)
test_size = len(data) - train_size
y_train = data[0:train_size]
y_test = data[train_size:len(data)]
x_train = x[0:train_size]
x_test = x[train_size:len(x)]
# from sklearn.model_selection import train_test_split
# x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.8, random_state=42)
XGBModel = XGBRegressor()
XGBModel.fit(x_train,y_train, verbose=False)
p = XGBModel.predict(x_test)
plt.plot(y_test)
plt.plot(p)
plt.legend(['y_test', 'p'], loc='upper right')
plt.title(mean_squared_error(y_test, p))
plt.show()
print(mean_squared_error(y_test, p))
и получить как ниже
я не прав или этоневозможно получить прогнозируемый минутный блок?