Python 多元LSTM向前走拟合
我有一个LSTM模型,该模型在每日多特征数据集上进行训练,并预测未来某一天目标特征的值 当新数据可用时,我应该如何每天重新训练模型?我是否应该使用完整的数据集(每天更新)重新运行Python 多元LSTM向前走拟合,python,machine-learning,keras,lstm,Python,Machine Learning,Keras,Lstm,我有一个LSTM模型,该模型在每日多特征数据集上进行训练,并预测未来某一天目标特征的值 当新数据可用时,我应该如何每天重新训练模型?我是否应该使用完整的数据集(每天更新)重新运行model.fit,如下面的示例所示 model.fit(x_train, y_train, epochs=50, batch_size=20, validation_data=(x_test, y_test), verbose=2, shuffle=False) 或者我可以调用model.fit
model.fit
,如下面的示例所示
model.fit(x_train, y_train, epochs=50, batch_size=20,
validation_data=(x_test, y_test), verbose=2, shuffle=False)
或者我可以调用model.fit
仅使用新可用的数据
# run at the beggining once
model.fit(x_train, y_train, epochs=50, batch_size=20,
validation_data=(x_test, y_test), verbose=2, shuffle=False)
# run every day as the new data gets available.
model.fit(x_yesterday, x_yesterday)
假设您使用的是Keras,我会使用
train\u on\u batch
请参见前一个问题的答案:假设您使用的是Keras,我会使用train\u on\u batch
请参见前一个问题的答案: