Python LSTM时间序列预测-从低损耗开始，精度不变

我试图根据过去的值预测网络流量。我建立了一个LSTM网络，并尝试了几个参数，但是我总是以同样的非常低的精度（0.108）结束

正如你们所看到的，我的损失是从一个很低的值开始的，我的准确度随着时间的推移是恒定的。我做错了什么

提前感谢。：）

您可以在此处找到损耗和精度图：

如果

（13942，1，1）

是您的整个数据集，那么它对于深度学习来说太小了；最好使用“浅层”方法，例如支持向量机（SVM）。或者，考虑我的回答。< /P> 编辑：我刚刚注意到您使用了

精度

指标；回归的准确性是未定义的-我很惊讶没有抛出错误。如果它使用

prediction==true

来计算精度，那么您很幸运您的精度不是0。根据损失情况，你的模型看起来确实做得很好；要进行双重检查，请绘制

预测

vs

true

并进行比较。（通常，

mse<.3

是好的，

mse<.1

是好的）

尝试随机洗牌数据

使用顺序数据时，最好使用LSTM。尝试用致密层替换LSTM。或者改变你的输入。您需要将一系列过去的值传递给LSTM，以便它可以预测下一个值。所以，（1,1）不是一个序列，LSTM在这里没有用处。 在这种情况下，度量精度是无用的，试试平均绝对误差之类的

---

你能说说你的X_火车的形状吗？培训：（13942，1，1）见更新的答案；您的模型可能工作得很好。@anon LSTM层设计得很深，通过时间反向传播。这是一种不同的“深度”，但它的共同特点是需要大量数据才能有效。诚然，8个单元的大小非常小，它可能会起作用，但我不敢打赌。我并不特别同意这一点，在lstm、gru的设计之后，深度学习出现了很多。所以，说LSTM层设计得很深没有多大意义。深度学习也不仅仅是为神经网络保留的东西，你可以拥有深度支持向量机，深度森林。因此，请提供一个严格的来源，每个人都会感激的参考。你对MSE的评论也不完全正确。你应该知道acc是如何在keras中实现的。它不应该抛出错误，它实际上给出了一个四舍五入的匹配，这并不是完全荒谬的，但最好在回归设置中避免。@anon RNN递归地在隐藏状态之间传递信息，并在每个状态之间反向传播梯度以更新权重（因此，对于给定的

隐藏维度

，

时间步

），需要学习更多的数据）。因此，是的，它们在设计上是沿着循环维度深入的。无论Keras精度是否会引发错误，在回归上下文中都是毫无意义的用法，必须避免。

scaler = MinMaxScaler(feature_range = (0, 1))
dataset = scaler.fit_transform(dataset)
train_size = int(len(dataset) * 0.67)
test_size = len(dataset) - train_size
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:]
print(len(train), len(test))

def create_dataset(dataset, window_size = 1):
    data_X, data_Y = [], []
    for i in range(len(dataset) - window_size - 1):
        a = dataset[i:(i + window_size), 0]
        data_X.append(a)
        data_Y.append(dataset[i + window_size, 0])
    return(np.array(data_X), np.array(data_Y))

window_size = 1
train_X, train_Y = create_dataset(train, window_size)
test_X, test_Y = create_dataset(test, window_size)
print("Original training data shape:")
print(train_X.shape)

# Reshape the input data into appropriate form for Keras.
train_X = np.reshape(train_X, (train_X.shape[0], 1, train_X.shape[1]))
test_X = np.reshape(test_X, (test_X.shape[0], 1, test_X.shape[1]))

model = Sequential()
model.add(LSTM(4, input_shape = (1, window_size)))
model.add(Dense(1))
opt = optimizers.SGD(lr=0.01, momentum=0.9)
model.compile(loss = "mean_squared_error", optimizer = opt, metrics = ['accuracy'])