Python 对LSTM模型输入数据的不理解

我面临着一个我无法解决的问题。事实上，我试图用keras创建一个模型LSTM，但我不明白输入数据的格式应该是什么。 我的数据列和数据测试如下所示：

日期/价值/价值/价值/价值/价值/我想预测的价值

我见过一些人这样做：

from sklearn.preprocessing import MinMaxScaler
sc = MinMaxScaler(feature_range = (0, 1))
training_set_scaled = sc.fit_transform(training_set)X_train = []
y_train = []
for i in range(60, len(training_set_scaled)):
    X_train.append(training_set_scaled[i-60: i, 0])
    y_train.append(training_set_scaled[i, 0])
    X_train, y_train = np.array(X_train), np.array(y_train)

但是如果我这样做了，我如何在不修改测试数据集的情况下预测我的特性呢

我很难理解我们为什么要这样做。此外，我想使用上一列中的值来预测目标。使用这种方法，我觉得我必须改变数据测试的格式，并且我可以在不同的测试数据上测试模型，这一点很重要，我不需要改变

有人能帮我吗

编辑 数据的形状是：（2420,7）

我就是这么做的。但形状仍然是二维的。所以我用了：

generator = TimeseriesGenerator(X_train, y_train, length=n_input, batch_size=32)

第一层的输入形状为：

model.add(LSTM(150, activation='relu',  return_sequences=True,input_shape=(2419, 7)))

但当我将发电机安装到模型上时：

ValueError:检查目标时出错：预期密集_10有3个维度，但得到了形状为（1，1）的数组

---

我真的不明白

我不确定是否能完全理解你的问题，但我会尽力的。 我认为您提供的代码是针对具体问题的，这意味着它可能不适合您的实现

对于LSTM（以及几乎所有的神经网络），您总是希望在将数据输入模型之前缩放数据。这有助于避免在您的功能中具有完全不同的数据范围。MinMaxScaler将您的功能缩放到提供的范围。对于为什么需要缩放的解释，您可以看看这篇文章

通常，您希望首先使用sklearn的train_test_split函数将数据集拆分为训练集和测试集，然后缩放功能

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
X = data.drop("feature_I_want_to_predict",axis=1)
y = data["feature_I_want_to_predict"]

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)   

这样，X_列表示您的培训数据，y_列表示您的培训数据标签。（与试验数据类似）

---

我在这里使用了StandardScaler而不是MinMaxScaler。标准定标器减去特征的平均值，然后除以标准偏差。

感谢robinood。我编辑了这篇文章。我已经照你说的做了，我很高兴这似乎是个好办法。我更详细。你能提供完整型号的代码吗？误差似乎与e密集层有关，而与LSTM层无关。

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
X = data.drop("feature_I_want_to_predict",axis=1)
y = data["feature_I_want_to_predict"]

X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2)

scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)