LSTM时间序列预测
为什么我用我的数据集跑这个博主的代码http://t.csdnimg.cn/ymQop,得到的预测结果和真实值有很大区别,而且在参数相同的情况下,结果也相差很大,如下:
最终的误差都很高,
均方误差MSE: 30542.308142
均方根误差RMSE: 174.763578
平均绝对误差MAE: 139.657811
R_square: -0.277924
各位,怎么提高模型预测质量啊
LSTM时间序列预测
为什么我用我的数据集跑这个博主的代码http://t.csdnimg.cn/ymQop,得到的预测结果和真实值有很大区别,而且在参数相同的情况下,结果也相差很大,如下:
最终的误差都很高,
均方误差MSE: 30542.308142
均方根误差RMSE: 174.763578
平均绝对误差MAE: 139.657811
R_square: -0.277924
各位,怎么提高模型预测质量啊
以下回复参考:皆我百晓生、券券喵儿等免费微信小程序作答:
要提高LSTM(长短时记忆网络)的时间序列预测性能,我们可以采取一些策略:
import numpy as np
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout
# 假设我们有X_train, y_train用于训练
# X_test, y_test用于测试
model = Sequential()
model.add(LSTM(50, input_shape=(None, X_train.shape[2])))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
# 训练模型
history = model.fit(X_train, y_train, epochs=100, batch_size=1, verbose=0)
# 使用测试集进行预测
predictions = model.predict(X_test)
为了直观地展示模型性能变化,可以使用线性插值或趋势线将训练和测试结果绘制成图表。这有助于理解模型何时表现最好,并可能找到进一步调优的空间。
希望以上建议能帮助您提高模型预测的质量。如果您需要具体的数据分析或代码示例,请提供更多信息,以便我能为您提供更具体的指导。