Python 股票市场神经网络的Keras损失和精度表征

我最近尝试完成一个神经网络，以预测股票市场上个别股票价格的波动，使用Keras作为网络框架，并使用Quandl检索历史调整后的股票价格；在运行该程序时，我主要利用了单个教程中显示的程序范例和信息，链接如下所示：

import tensorflow as tf
import keras
import numpy as np
import quandl
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

df = quandl.get("WIKI/FB")
df = df[['Adj. Close']]
forecast_out = 1
df['Prediction'] = df[['Adj. Close']].shift(-(forecast_out))

X = np.array(df.drop(['Prediction'], 1))
X = X[:-forecast_out]

y = np.array(df['Prediction'])
y = y[:-forecast_out]
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size = 0.2) 

model = keras.models.Sequential()
model.add(keras.layers.Dense(units = 64, activation = 'relu'))
model.add(keras.layers.Dense(units = 1, activation = 'linear'))

model.compile(loss='mean_absolute_error',
              optimizer='adam',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split = 0.2)

x_forecast = np.array(df.drop(['Prediction'], 1))[-forecast_out:]
print(x_forecast)

prediction = model.predict(x_train)

然而，本教程使用了“sklearn”线性回归模块；我修改了程序以使用Keras，它具有更大的定制能力。程序如下所示：

import tensorflow as tf
import keras
import numpy as np
import quandl
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt

df = quandl.get("WIKI/FB")
df = df[['Adj. Close']]
forecast_out = 1
df['Prediction'] = df[['Adj. Close']].shift(-(forecast_out))

X = np.array(df.drop(['Prediction'], 1))
X = X[:-forecast_out]

y = np.array(df['Prediction'])
y = y[:-forecast_out]
x_train, x_test, y_train, y_test = train_test_split(X, y, test_size = 0.2) 

model = keras.models.Sequential()
model.add(keras.layers.Dense(units = 64, activation = 'relu'))
model.add(keras.layers.Dense(units = 1, activation = 'linear'))

model.compile(loss='mean_absolute_error',
              optimizer='adam',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5, batch_size=32, validation_split = 0.2)

x_forecast = np.array(df.drop(['Prediction'], 1))[-forecast_out:]
print(x_forecast)

prediction = model.predict(x_train)

但是，在通过model.fit（）命令使用提供的测试信息运行模型时，我收到了每个历元的损失和精度显示：

Train on 940 samples, validate on 236 samples
Epoch 1/5
940/940 [==============================] - 1s 831us/step - loss: 85.4464 - acc: 0.0000e+00 - val_loss: 76.7483 - val_acc: 0.0000e+00
Epoch 2/5
940/940 [==============================] - 0s 51us/step - loss: 65.6871 - acc: 0.0000e+00 - val_loss: 55.4325 - val_acc: 0.0000e+00
Epoch 3/5
940/940 [==============================] - 0s 52us/step - loss: 43.3484 - acc: 0.0000e+00 - val_loss: 30.5538 - val_acc: 0.0000e+00
Epoch 4/5
940/940 [==============================] - 0s 47us/step - loss: 16.5076 - acc: 0.0011 - val_loss: 1.3096 - val_acc: 0.0042
Epoch 5/5
940/940 [==============================] - 0s 47us/step - loss: 2.0529 - acc: 0.0043 - val_loss: 1.1567 - val_acc: 0.0000e+00
<keras.callbacks.History at 0x7ff1dfa19470>

对940个样本进行训练，对236个样本进行验证
纪元1/5
940/940[===============================================================1s 831us/阶跃-损耗：85.4464-acc:0.0000e+00-val\u损耗：76.7483-val\u acc:0.0000e+00
纪元2/5
940/940[============================================================-0s 51us/阶跃-损耗：65.6871-附件：0.0000e+00-val\u损耗：55.4325-val\u附件：0.0000e+00
纪元3/5
940/940[============================================================-0s52us/阶跃-损耗：43.3484-附件：0.0000e+00-val\u损耗：30.5538-val\u附件：0.0000e+00
纪元4/5
940/940[===================================================-0s 47us/阶跃-损耗：16.5076-附件：0.0011-val\u损耗：1.3096-val\u附件：0.0042
纪元5/5
940/940[======================================================-0s47us/步-损耗：2.0529-附件：0.0043-val_损耗：1.1567-val_附件：0.0000e+00

---

如果我在测试这些范例方面的经验相对较少，我更愿意知道这种准确性是否令人满意；损耗和精度参数是否表明模型运行良好？它们之间的差异是什么？人们如何解读它们？最后，Keras如何描述它们？模块的文件似乎没有提供足够的信息；然而，这可能是我对他们的检查造成的。谢谢您的帮助。

关于神经网络/ML，您可能会得到更好的答案，但我可以在这里帮助您

一般来说，很难判断神经网络是否“正常”运行——因此，根据我的经验，ML开发是一个非常迭代的过程，通过受过教育的统计/数学猜测来进行反复尝试

让我们首先从高层次概述这些指标：

Loss=模型的预测与您的数据“偏离”多远。

模型“正确”的预测准确率=%s；i、 e.如果您的模型是一个函数，则特定数据点的模型（x）=y。

令人满意的“准确性”是主观的，广泛取决于应用程序/模型/您的数据。然而，由于你试图预测股票价格；i、 e.一个连续变量，你在做回归，对我来说，使用类似于度量的精度没有多大意义。我可以通过你的问题公式告诉你正在做回归——线性激活也是一个强烈的暗示

为了解释为什么准确率没有意义，如果我是基于某些因素预测房价，我可能不在乎有多少预测是准确的，但更重要的是我的预测总体上有多接近。如果我的回归模型在每个房价上减去1美元，我的准确度仍然是0，但我仍然可能有一个好的模型

相反，最小化损失函数可能是更好的思考方式。这样想：总的来说，您希望拟合一些输入变量的函数，这些函数“接近”地面真实值输出。例如，损失函数是LMS（最小均方），它本质上是残差的平均平方距离。这里使用的是平均绝对误差，它只是差值的平均绝对值。这两种损失函数都有优点和缺点，我鼓励您在应用程序中研究这一点

---

误差减小的事实是好的：这意味着模型近似的函数越来越接近训练数据（残差在减小）。您的验证损失也不大于培训数据，这表明您也没有过度拟合数据。我鼓励您继续尝试。

我投票决定结束这一讨论，因为这显然是一个统计/机器学习问题，而不是编程问题，代码运行时没有任何错误或问题。