Python 层序分类Tensorflow-LSTM

我有一个如下所示的数据帧：

id.   date           mycol       label

1.    01/12/2019      c1             1
1.    03/12/2019      c2             1
1.    04/12/2019      c3             1
2.    01/12/2019      c1             0
2.    03/12/2019      c5             0 
3.    15/01/2020       ..            1
4.     ...                           1
.
.

---

同一id的标签总是相同的，这是一个二进制分类问题。我想预测标签基于mycol只为每个id，我需要提前5个月作出预测。我想我应该使用LSTM，但问题在于日期和如何设置序列，因为我以前没有见过这种问题，我只是从LSTM开始。按id分组可以为每行提供非常大的mycl值列表。我不知道如何以月/周来区分这些值，如果我真的应该这样做，还是应该将它们像那样放在每行1个巨大的列表中。非常感谢您的帮助。

您的第一个输入序列应该是[c1，c2，c3]，标签为-1

第二个-[c1，c5]，标签-0

---

序列长度无关紧要（不必添加填充）。LSTM学习如何根据新输入（序列元素）更改其状态权重。

您能解释一下吗？我不知道该怎么做。我需要按id对它们进行分组吗？如果是，我可以用什么方式使用LSTMS/什么参数？我看到了您的更新。序列长度不同有关系吗？LSTM将如何考虑这一点？另外，我如何提前6个月预测？这是LSTMs中的参数吗？谢谢。我还是不确定，我怎么说一组30人到LSTM是什么？根据之前6个月的历史，它如何知道我提前6个月预测？你的最初问题是分类任务：你有一个序列作为输入，标签作为输出。请澄清-您将如何提前6个月预测：您想预测mycol而不是标签吗？如果是这样-您必须训练另一个LSTM预测mycol 6个月，然后将预测序列输入第一个LSTM进行分类。如果您的标签影响mycol-训练一个LSTM可能更有效，以实现这两个目的（因为LSTM有两个输出）。你需要使用由两个损失组成的损失（每个目的都有单独的损失），我认为你应该把这个问题作为一个时间序列问题来处理。是的，LSTM可以解决这个问题，但是试着使用一个更简单的模型，比如ARIMA或ARIMADo的一些变体。你有任何例子说明这是如何工作的吗？