Python Keras LSTM具有顺序相关性

我想知道阵列上的特征顺序是否会干扰训练模型和验证分数。 例如，如果我有以下功能列表来训练我的模型：

[“关闭”、“关闭返回”、“日志返回”、“打开”、“打开返回”、“打开日志返回”]

如果我颠倒顺序，如：

[“关闭”、“打开”、“记录返回”、“关闭返回”、“打开记录返回”、“打开返回”]

这对预测模型有什么影响？还是排序顺序没有干扰？ 如果命令干扰。我怎么知道野兽的命令

---

我如何知道确定特征是否与Keras上的lstm模型相关？

要确定特征相关性，有几种方法，如ALE、锚定、石灰和形状。因此，我推荐SHAP，因为它提供了非常好的、信息丰富的可视化效果，如力图、依赖图和特征重要性图。这里有一个指向Python笔记本的链接，使用该链接可以生成针对特定问题的力图。然而，SHAP也可以应用于回归问题。这里是另一个SHAP的API，您可以在其中找到如何获得其他绘图。请记住，某些可视化是为特定样本生成的，如力图，而其他可视化是为整个集合生成的（特征重要性）

---

可以找到有关SHAP工作原理及其优缺点的信息。

功能的顺序没有多大区别，因为每个功能都有一个单独的输出节点

重要的是事件（行）的顺序。这是您将使用模型建模和预测的序列。要确定要使用哪些特征，必须知道要建模的对象。把所有这些都放进去会给你所有栏目的预测，但也可能会使模型更难训练和优化

因此，您应该考虑实际需要在模型中包含哪些功能。例如，您能从特征B推断特征A吗？如果是这样，特征A不需要包括在内，因为它易于计算

---

对于不添加太多信息的功能（例如不经常更改的列），情况如何。它们是必需的吗？

LSTM用于顺序数据。如果你的输入不是顺序的，即改变输入的顺序不会扭曲数据，你可能应该考虑VUN1D或者其他的东西，而不是LSTM。我如何确定某个特征在我的LSTM模型中是不是相关的，除了使用你的数据背景知识之外，不认为有任何硬性的规则。您应该尝试使用预期的输入来训练模型，然后尝试更改它们，以查看哪种结果会产生最佳性能。