Python 如何训练在线回归模型

我有一个形状

（9430，12）

的数据集。安装时会出现问题：所有

12

功能都是my

X

和my

Y

。我的意思是，这是一个在线学习模型，我训练我的

数据[I]

，然后预测

数据[I+1]

。如你所见，正如我之前所说，

Y=X

data.shape = (9430, 12)
Y = X = data.values
model.fit(X, Y)

---

这是错的吗？如果是，我还可以如何进行培训？

我知道您的目标是，在每个时间步，您都希望预测下一个时间步的输入

现在，您正试图预测作为输入传递的相同输出。假设Y[0]=X[0]，Y[1]=X[1]，依此类推

您应该在Ys矩阵中逐个移动窗框。例如，假设X是一个numpy数组，您可以执行以下操作：

import tensorflow as tf
Y = tf.concat((np.copy(X[1:,:]),np.zeros((1,12))), axis=0)
X = tf.convert_to_tensor(X)

此代码将实现：Y[0]=X[1]，Y[1]=X[2]，这是能够在每一点预测以下结果的理想输出

一旦准备好两个张量，就可以使用Tensorflow或Keras来拟合模型。请记住，Ys矩阵中的最后一行只是0的虚拟行，因为您不知道下一步的基本事实是什么。在执行培训时，您可能应该从数据集中跳过它

---

此外，对于预测序列数据，递归神经网络（如LSTM、长短期记忆）更合适。我建议你看看：）

我知道你的目标是，在每个时间步，你都想预测下一个时间步的输入

现在，您正试图预测作为输入传递的相同输出。假设Y[0]=X[0]，Y[1]=X[1]，依此类推

您应该在Ys矩阵中逐个移动窗框。例如，假设X是一个numpy数组，您可以执行以下操作：

import tensorflow as tf
Y = tf.concat((np.copy(X[1:,:]),np.zeros((1,12))), axis=0)
X = tf.convert_to_tensor(X)

此代码将实现：Y[0]=X[1]，Y[1]=X[2]，这是能够在每一点预测以下结果的理想输出

一旦准备好两个张量，就可以使用Tensorflow或Keras来拟合模型。请记住，Ys矩阵中的最后一行只是0的虚拟行，因为您不知道下一步的基本事实是什么。在执行培训时，您可能应该从数据集中跳过它

---

此外，对于预测序列数据，递归神经网络（如LSTM、长短期记忆）更合适。我建议您看看它们：）

我相信它会以同样的方式工作，但您必须首先将这些变量转换为Numpy数组。您需要“将numpy作为np导入”，然后，在拟合模型之前的代码末尾：X=np.array（X）和Y=np.array（Y），我相信它将以相同的方式工作，但您必须首先将这些变量转换为numpy数组。您需要“将numpy作为np导入”，然后，在拟合模型之前的代码末尾：X=np.array（X）和Y=np.array（Y）