Python 基于Keras的多个独立序列的二元分类

我正在尝试使用Keras对多个独立序列进行分类。我的数据如下所示（不同股票及其价值的示例）

我想对如下结构所示的数据进行分类。已经为每种股票预先定义了标签（监督学习）

最后，如果可能的话，我还想预测下一个时间步的值

  _stock     2015
----------- ------
 foo          450
 bar           10
 pear         500
 raspberry    600
 banana         1

---

目前，我只是使用了一堆密集的层，它们工作得很好，但我认为我没有以正确的方式利用这个设置中每个列之间的关系。此外，我认为这种设置不可能进行预测。我想使用类似LSTM网络的东西，但我不知道如何更改我的实现

#当前网络
从keras.models导入顺序
n_timesteps=len（data.columns）
模型=顺序（）
添加（密集（100，activation=“relu”，input\u dim=n\u timesteps））
添加（密集（100，activation=“relu”））
model.add（密集（1，activation=“sigmoid”））
compile（optimizer=“adam”，loss=“binary\u crossentropy”，metrics=[“accurity”]）
模型拟合（x_序列，y_序列，历元=100，验证数据=（x_检验，y_检验））

因此，您可能需要做的是：

1、规范化/标准化数据（如果尚未这样做）

你只想预测一个变量：最可能的下一个价格

3、你可以用下一个价格来决定股票是涨是跌——只需将其与上一个价格进行比较即可

我建议您仅在有足够数据（即每日/每小时…统计数据）的情况下使用循环网络，如LSTM-如果您的数据集非常有限，如示例中所示，则基本回归算法也应如此

---

作为旁注，仅通过单个网络/算法预测一个标签通常比一次预测所有标签更容易、更准确。尝试为每个标签培训N个不同的型号。

这种学习类型称为。您可以有多个输出和多个损耗函数。要处理数据集的顺序性质，仍然可以使用LSTM。这里我将用简单的数据来说明

将tensorflow导入为tf
将numpy作为np导入
层=tf.keras.layers
时间步长=32
信道=16；
x=np.random.randn（100，时间步，通道）
binary_y=np.random.randint（0,2，size=（x.shape[0,1））
reg_y=np.random.randn（x.shape[0]，1）
输入=层。输入（形状=（时间步，通道））
hidden=layers.LSTM（32）（输入）
out1=layers.Dense（1，activation=“sigmoid”，name=“binary\u out”）（隐藏）
out2=层。密集（1，激活=无，name=“reg\u out”）（隐藏）
model=tf.keras.model（输入=输入，输出=[out1，out2]）
compile（loss={“binary\u out”：“binary\u crossentropy”，“reg\u out”：“mse”}，optimizer='adam'，metrics={“binary\u out”：“accurity”}）
model.fit（x[binary_y，reg_y]，epochs=10）

---

非常感谢。我的主要问题是，我不清楚LSTM层的输入形状和尺寸。多亏了你的例子，我才让它运行起来。

  _stock          label
----------- -----------------
 foo         0 (not falling)
 bar         1 (falling)
 pear        0 (not falling)
 raspberry   0 (not falling)
 banana      1 (falling)

  _stock     2015
----------- ------
 foo          450
 bar           10
 pear         500
 raspberry    600
 banana         1

Epoch 1/10
4/4 [==============================] - 0s 7ms/step - loss: 1.6842 - binary_out_loss: 0.6987 - reg_out_loss: 0.9855 - binary_out_accuracy: 0.5300
Epoch 2/10
4/4 [==============================] - 0s 6ms/step - loss: 1.6395 - binary_out_loss: 0.6937 - reg_out_loss: 0.9458 - binary_out_accuracy: 0.5400
Epoch 3/10
4/4 [==============================] - 0s 6ms/step - loss: 1.6124 - binary_out_loss: 0.6913 - reg_out_loss: 0.9211 - binary_out_accuracy: 0.5500
Epoch 4/10
4/4 [==============================] - 0s 7ms/step - loss: 1.5864 - binary_out_loss: 0.6886 - reg_out_loss: 0.8978 - binary_out_accuracy: 0.5600
Epoch 5/10
4/4 [==============================] - 0s 7ms/step - loss: 1.5660 - binary_out_loss: 0.6863 - reg_out_loss: 0.8797 - binary_out_accuracy: 0.5600
Epoch 6/10
4/4 [==============================] - 0s 7ms/step - loss: 1.5424 - binary_out_loss: 0.6832 - reg_out_loss: 0.8593 - binary_out_accuracy: 0.5500
Epoch 7/10
4/4 [==============================] - 0s 7ms/step - loss: 1.5206 - binary_out_loss: 0.6806 - reg_out_loss: 0.8400 - binary_out_accuracy: 0.5600
Epoch 8/10
4/4 [==============================] - 0s 6ms/step - loss: 1.5013 - binary_out_loss: 0.6785 - reg_out_loss: 0.8229 - binary_out_accuracy: 0.5600
Epoch 9/10
4/4 [==============================] - 0s 6ms/step - loss: 1.4816 - binary_out_loss: 0.6759 - reg_out_loss: 0.8057 - binary_out_accuracy: 0.5700
Epoch 10/10
4/4 [==============================] - 0s 6ms/step - loss: 1.4641 - binary_out_loss: 0.6737 - reg_out_loss: 0.7904 - binary_out_accuracy: 0.5800