如何使用Keras Python 3查找总损失、准确度、预测日期和时间？

我试图预测OHLC值。到目前为止，我已经做到了这一点：

可以看到我的代码正在运行。但我对我创建的模型几乎没有疑问

我不知道预测的结果有多准确

误差损失是否改善 我甚至无法理解为什么所做的预测在图表上没有日期和时间？我想知道预测的日期

---

我怎样才能达到目标？有没有办法将OHLC与预测时间结合起来？

使用这些指标：

指标的使用 度量是用于判断模型性能的函数。编译模型时，将在metrics参数中提供度量函数

度量函数类似于损失函数，只是在训练模型时不使用评估度量的结果

model.compile(loss='mean_squared_error',optimizer='sgd', metrics=['mae', 'acc'])

您可以传递现有度量的名称，也可以传递一个Theano/TensorFlow符号函数（请参见自定义度量）

论据 真的：真的标签。Theano/张量流张量

预测。与y_形状相同的no/TensorFlow张量为真

退换商品 单个张量值，表示所有数据点上输出数组的平均值

并且，为了评估培训后模型的性能，您可以使用

评价 退换商品 测试模式下模型的损失值和度量值

就你而言 我想您只需更改这些行：

model\u open.compile（loss='mse'，optimizer='rmsprop'）
模型_high.compile（loss='mse'，optimizer='rmsprop'）
模型低编译（loss='mse'，optimizer='rmsprop'）
模型_close.compile（loss='mse'，optimizer='rmsprop'）

到

model_open.compile（loss='mse'，optimizer='rmsprop'，metrics=['mae'，'acc']）
模型_high.compile（loss='mse'，optimizer='rmsprop'，metrics=['mae'，'acc']）
模型低编译（loss='mse'，optimizer='rmsprop'，metrics=['mae'，'acc']）
模型_close.compile（loss='mse'，optimizer='rmsprop'，metrics=['mae'，'acc']）

最后，用以下方法评估模型：

model_open.evaluate（testX_open，testY_open）
模型高。评估（testX高，testY高）
模型低。评估（testX低，testY低）
model_close.evaluate（testX_close，testY_close）

---

要在训练栏上添加精度acc之类的指标，只需像这样修改compile语句。

我正在尝试。您还可以让我知道问题“我甚至无法理解为什么做出的预测在图表上没有日期和时间？我想知道做出预测的日期。”

model\u close.evaluate（testX\u close，trainY\u close）

这句话正确吗？是否需要使用

trainY\u close

或

testY\u close

验证

testX\u close

？运行

evaluate（）

时出错：

ValueError:输入数组的样本数应与目标数组相同。找到6039个输入样本和24160个目标样本。

你是对的，这是

模型关闭。评估（testX\u关闭，testY\u关闭）

不是

模型关闭。评估（testX\u关闭，trainY\u关闭）

很抱歉，我已经编辑了答案来更正它。根据我从你的代码中看到的日期和时间，您训练hte LSTM网络从当前值预测下一个值，数据集中每小时有一个值。因此，我猜这将在预测中保持不变，因此如果你从10个值开始预测，其中最后一个值是2018.06.01的10:00，我猜第一个预测值将是2018.06.01的11:00，第二个预测值将是2018.06.01的12:00，依此类推。这是有意义的，因为网络只知道一个时间步的存在，而不知道实际的日期或时间。

evaluate(self, x=None, y=None, batch_size=None, verbose=1, sample_weight=None, steps=None)