如何为python'；什么是凯拉斯LSTM？

我几乎在厨房里找到了我需要的东西。但是内存有问题，因为测试df只提供了11行

我试图预测的是使用LSTM来预测回归模型（而不是分类器！）中时间序列数据的10天前。我的数据框

X

大约有1500行和2000个特征，呈

形状（15002000）

，而真值

y

仅为1个特征的1500行（可以

在-1和1之间的任何值范围内）

由于LSTM需要3D矢量作为输入，我真的在努力重塑数据

同样，按照第一段中的示例，在填充值时，MemoryError会崩溃，更具体地说是在
df.cumulative\u input\u vectors.tolist（）

我的测试（读取预测）是
形状（102000）的数据帧

由于敏感数据，我无法实际共享值/示例。我能帮你什么忙

因此，为了使LSTM能够从1500行
y中学习，我应该如何重塑1500行
x
和2000个功能也，我应该如何重塑我的
预测
，包括10行和2000个功能

首先，因为我正在学习LSTM，他们将经历一个简单的LSTM模型：

model = Sequential()
model.add(LSTM(50, input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(train_X, train_y , epochs=50, batch_size=2, verbose=1)

我已经试过了，但当predictin出错时：

# A function to make a 3d data of what I understood needed done:
def preprocess_data(stock, seq_len):
    amount_of_features = len(stock.columns)
    data = stock.values

    sequence_length = seq_len #+ 1
    result = []
    for index in range(len(data) - sequence_length):
        result.append(data[index : index + sequence_length])

    X_train = np.array(result)  

    X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], amount_of_features))

    return X_train

# creating the train as:
# X == the DF of 1500 rows and 2000 features
window = 10
train_X = preprocess_data(X[::-1], window)

过了一段时间，我终于正确地理解了维度在哪里。Keras希望有一个3d数组
.shape
（totalRows、sequences、totalColumns）。
序列
对我来说是最令人困惑的

这是因为当重塑df
df.restorge（len（df），1，len（df.columns））
意味着keras将学习一行矩阵，它给了我糟糕的结果，因为我不知道最好缩放数据对我来说
MinMaxScaler（-1,1）
效果最好，但是可以是
（0,1）

让我理解的是，首先使用超过一行的序列（或天，因为我的数据集是一个时间序列）。这意味着我使用了类似的东西，即5行特征X导致1个y值，而不是输入1行特征X导致1个y值。例如：

# after scaling the df, resulted in "scaled_dataset"
sequences = 5
result = []
# for loop will walk for each of the 1500 rows
for i in range(0,len(scaled_dataset)):
    # every group must have the same length, so if current loop position i + number 
    # of sequences is higher than df length, breaks
    if i+sequences <= len(scaled_dataset):
        # this will add into the list as [[R1a,R1b...R1t],[R2a,R2b...R2t],...[R5a,R5b...R5t]]
        result.append(scaled_dataset[i:i+sequences].values)
# Converting to array + keras takes float32 better than 64
train_x = np.array(result).astype('float32')
# making the y into same length as X
train_y = np.array(y.tail(train_x.shape[0]).values)

train_x.shape, train_y.shape

#缩放df后，生成“缩放的_数据集”
序列=5
结果=[]
#for循环将为1500行中的每一行行走
对于范围内的i（0，len（缩放的_数据集））：
#每个组必须具有相同的长度，因此如果当前循环位置i+编号
#序列的长度大于df长度，中断
如果是i+序列，请重新构造你的问题，并明确你到底在问什么。现在我很困惑，因为你似乎在问一个重塑的问题，然后不知何故，你试图运行预测，但却出现了一个错误？我看不出有什么困惑，问题的句子/名称是什么？小贴士：我应该如何重塑。正文只是对我所处位置的一个完整解释，以避免“可能重复的…”这一毫无帮助的回答。我也在使用这种方法。然而，在大数据帧中循环的速度非常慢。