摘要:设计用于处理序列依赖性的强大类型的神经网络称为复现神经网络。你会知道关于国际航空公司乘客时间序列预测问题。感谢所有指出这个问题的人和菲利普奥布莱恩帮助提出的解决方案。
段哥
http://machinelearningmastery...
时间序列预测问题是一种困难类型的预测建模问题。
与回归预测建模不同,时间序列还增加了输入变量之间的序列相关性的复杂性。
设计用于处理序列依赖性的强大类型的神经网络称为复现神经网络。 长期短期记忆网络或LSTM网络是一种用于深度学习的递归神经网络,因为可以成功地训练非常大的体系结构。
在本文中,您将了解如何使用Keras深度学习库来开发Python中的LSTM网络,以解决演示时间序列预测问题。
完成本教程后,您将了解如何为您自己的时间序列预测问题和其他更一般的序列问题实现和开发LSTM网络。 你会知道:
·关于国际航空公司乘客时间序列预测问题。
·如何开发LSTM网络用于回归,基于窗口和时间步长的时间序列预测问题的框架。
·如何使用LSTM网络开发和进行预测,这些网络可以在非常长的序列中维护状态(内存)。
在本教程中,我们将为标准时间序列预测问题开发大量的LSTM。
问题和LSTM网络的选择配置演示的目的是他们没有优化。
这些示例将向您展示如何为时间序列预测建模问题开发自己的不同结构化LSTM网络。
让我们开始吧。
2016.10更新:在每个示例中计算RMSE的方式计算误差。 报告的RMSE只是平淡的错误。 现在,RMSE直接从预测计算,RMSE和预测图以原始数据集为单位。 使用Keras 1.1.0,TensorFlow 0.10.0和scikit-learn v0.18评价模型。 感谢所有指出这个问题的人和菲利普·奥布莱恩帮助提出的解决方案。
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/38490.html
摘要:前馈网络的反向传播从最后的误差开始,经每个隐藏层的输出权重和输入反向移动,将一定比例的误差分配给每个权重,方法是计算权重与误差的偏导数,即两者变化速度的比例。随后,梯度下降的学习算法会用这些偏导数对权重进行上下调整以减少误差。 目录前馈网络递归网络沿时间反向传播梯度消失与梯度膨胀长短期记忆单元(LSTM)涵盖多种时间尺度本文旨在帮助神经网络学习者了解递归网络的运作方式,以及一种主要的递归网络...
摘要:意味着完全保持,意味着完全丢弃。卡比兽写这篇博文的时间我本可以抓一百只,请看下面的漫画。神经网络神经网络会以的概率判定输入图片中的卡比兽正在淋浴,以的概率判定卡比兽正在喝水,以的概率判定卡比兽正在遭遇袭击。最终结果是卡比兽正在遭遇袭击 我第一次学习 LSTM 的时候,它就吸引了我的眼球。事实证明 LSTM 是对神经网络的一个相当简单的扩展,而且在最近几年里深度学习所实现的惊人成就背后都有它们...
阅读 2116·2021-11-12 10:36
阅读 2121·2021-09-03 10:41
阅读 2727·2021-08-19 10:57
阅读 1212·2021-08-17 10:14
阅读 1467·2019-08-30 15:53
阅读 1192·2019-08-30 15:43
阅读 958·2019-08-30 13:16
阅读 2944·2019-08-29 16:56