Python 使用LSTM Keras预测不在输入序列中的变量

假设我的数据集中有五列（A、B、C、D、E），我想通过只对A、B、D、E进行训练来构建LSTM模型（即，我想排除C）

我的问题是，我仍然想用这个模型来预测C。如果我没有用这个变量训练我的模型，有可能吗？我该怎么做

编辑1

---

我使用的是分类数据和数字数据，建模为时间序列。在这个特定的例子中，C是一个分类时间序列（在一个单点表示中给出）

是的，你可以！但是，字段C和其他列之间需要有相关性。如果不是，那么预测将接近随机

• 使用A、B、D、E作为输入（x）训练模型
• 将C设为（y）

将数据集分为训练、测试和验证

回答你的另一个问题（如果我没有用这个变量训练我的模型，也有可能吗？）

• 不，因为模型将如何学习将4个输入字段映射到一个输出字段，在本例中它将是（C）

要了解这个问题，请将您的方法与波士顿住房进行比较

---

是的，你可以！但是，字段C和其他列之间需要有相关性。如果不是，那么预测将接近随机

• 使用A、B、D、E作为输入（x）训练模型
• 将C设为（y）

将数据集分为训练、测试和验证

回答你的另一个问题（如果我没有用这个变量训练我的模型，也有可能吗？）

• 不，因为模型将如何学习将4个输入字段映射到一个输出字段，在本例中它将是（C）

要了解这个问题，请将您的方法与波士顿住房进行比较

---

我想说的是，it实现这一点的一种方法是让您的网络简单地预测C，或者将C作为标签
我一次又一次地看到这一点。不要把NN和实际的东西混淆起来。通过学习函数F，只需在给定输入X的情况下近似输出Y。这是您的NN。
在您的情况下，输出很容易是C+其他输出 根据其他输出的内容，您的网络可以聚合并获得良好的结果。很可能不会，所以你的问题在这一点上是不完整的。
你必须问自己一些问题，比如：

C+Ohter\u输出对给定输入有意义吗

有没有一种好方法可以让我序列化C+其他_输出？例如，在描述C的N输出数组元素中，有第一个K，其余N-K描述其他输出

C是否是一个多类问题，如果是，则其他输出是否是一个不同类型的问题，或者可能会变成一个同类型的多类问题，该问题可能与C一起收敛，或者使它们都成为多标签问题 在选择体系结构之前，您至少需要问自己一些问题。
也就是说，不，除非你训练你的人际网络去了解A B D和C之间的模式，否则它将无法预测缺失的输入

祝你好运，

---

Gabriel

我想说的是，it实现这一点的一种方法是让您的人际网络简单地预测C或将C作为标签
我一次又一次地看到这一点。不要把NN和实际的东西混淆起来。通过学习函数F，只需在给定输入X的情况下近似输出Y。这是您的NN。
在您的情况下，输出很容易是C+其他输出 根据其他输出的内容，您的网络可以聚合并获得良好的结果。很可能不会，所以你的问题在这一点上是不完整的。
你必须问自己一些问题，比如：

C+Ohter\u输出对给定输入有意义吗

有没有一种好方法可以让我序列化C+其他_输出？例如，在描述C的N输出数组元素中，有第一个K，其余N-K描述其他输出

C是否是一个多类问题，如果是，则其他输出是否是一个不同类型的问题，或者可能会变成一个同类型的多类问题，该问题可能与C一起收敛，或者使它们都成为多标签问题 在选择体系结构之前，您至少需要问自己一些问题。
也就是说，不，除非你训练你的人际网络去了解A B D和C之间的模式，否则它将无法预测缺失的输入

祝你好运，

---

Gabriel

你应该详细解释每一列的含义，你有多少个序列，序列长度是什么……不，不是任何阅读意义上的，只是以一种非常迂回的方式，你为什么不想让你的模型看到你希望它预测的样本？@VeltzerDoron因为我的模型重复了目标信号的先前值，所以我试图混淆他的值。也许这不是一个好的解决方案，但我想实现这样的目标。@Ghemon我不确定我是否明白你的意思，你是说它概括得很差吗？@VeltzerDoron是的，我认为这就是问题所在。由于这个原因，我决定只根据A，B，D，E的信息来预测C。我清楚了吗？你应该详细解释每列的意思，你有多少个序列，序列长度是多少。。。

import pandas as pd
import numpy as np

# Read dataset into X and Y
df = pd.read_csv('YOURDATASET.csv', delim_whitespace=True, header=None)

dataset = df.values


# for example, your dataset is all loaded into a matrix (aka an array with rows of data, and each Index representing those features mentioned A B C D E)


X = dataset[:, 0:1] + dataset[:, 3:4]
Y = dataset[:, 2]


#print "X: ", X
#print "Y: ", Y


# Define the neural network
from keras.models import Sequential
from keras.layers import Dense

def build_nn():
    model = Sequential()
    model.add(Dense(20, input_dim=5, init='normal', activation='relu'))
    # No activation needed in output layer (because regression)
    model.add(Dense(1, init='normal'))

    # Compile Model
    model.compile(loss='mean_squared_error', optimizer='adam')
    return model


# Evaluate model (kFold cross validation)
from keras.wrappers.scikit_learn import KerasRegressor

# sklearn imports:
from sklearn.cross_validation import cross_val_score, KFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline

# Before feeding the i/p into neural-network, standardise the dataset because all input variables vary in their scales
estimators = []
estimators.append(('standardise', StandardScaler()))
estimators.append(('multiLayerPerceptron', KerasRegressor(build_fn=build_nn, nb_epoch=100, batch_size=5, verbose=0)))

pipeline = Pipeline(estimators)

kfold = KFold(n=len(X), n_folds=10)
results = cross_val_score(pipeline, X, Y, cv=kfold)

print "Mean: ", results.mean()
print "StdDev: ", results.std()