此示例说明如何使用长短期记忆 (LSTM) 网络对序列数据的每个时间步长进行分类。
要训练深度神经网络对序列数据的每个时间步进行分类,可以使用 序列对序列 LSTM 网络。序列对序列 LSTM 网络使您能够对序列数据的每个单独时间步进行不同的预测。
此示例使用从佩戴在身上的智能手机获取的传感器数据。该示例训练 LSTM 网络,以在给定时间序列数据的情况下识别佩戴者的活动,这些数据表示三个不同方向的加速度计读数。训练数据包含七个时间序列数据。每个序列具有三个特征并且长度不同。数据集包含六个训练观察和一个测试观察。
加载人类活动识别数据。该数据包含从佩戴在身上的智能手机获得的七个时间序列的传感器数据。每个序列具有三个特征并且长度不同。这三个特征对应于三个不同方向的加速度计读数。
在图中可视化一个训练序列。绘制第一个训练序列的第一个特征,并根据相应的活动为绘图着色。
定义 LSTM 网络架构。将输入指定为大小为 3 的序列(输入数据的特征数)。指定一个具有 200 个隐藏单元的 LSTM 层,并输出完整的序列。最后,通过包括一个大小为 5 的全连接层,然后是一个 softmax 层和一个分类层来指定五个类。
指定训练选项。将求解器设置为 'adam'
。训练 60 个 epoch。
使用指定的训练选项训练 LSTM 网络 trainNetwork
。每个 mini-batch 包含整个训练集,因此每个 epoch 更新一次图。序列很长,因此处理每个小批量和更新绘图可能需要一些时间。
加载测试数据并在每个时间步进行分类。
加载人类活动测试数据。 XTest
包含一个维度为 3 的单个序列。 YTest
is 包含与每个时间步相对应的分类标签序列。
使用对测试数据进行分类 。
YPrd = clssif;
或者,您可以使用 一次进行一个时间步长的预测 。通常,与一次一个时间步进行预测相比,对完整序列进行预测会更快。有关如何通过在单个时间步预测之间更新网络来预测未来时间步的示例。
计算预测的准确性。
ac = sum(YPrd == YTst{1})./nul(YTs{1})
使用绘图将预测与测试数据进行比较。
最受欢迎的见解
1.用于NLP的Python:使用Keras的多标签文本LSTM神经网络分类
2.Python中利用长短期记忆模型LSTM进行时间序列预测分析 – 预测电力消耗数据
3.python在Keras中使用LSTM解决序列问题
4.Python中用PyTorch机器学习分类预测银行客户流失模型
5.R语言多元Copula GARCH 模型时间序列预测
6.在r语言中使用GAM(广义相加模型)进行电力负荷时间序列分析
7.R语言中ARMA,ARIMA(Box-Jenkins),SARIMA和ARIMAX模型用于预测时间序列数
8.R语言估计时变VAR模型时间序列的实证研究分析案例
9.用广义加性模型GAM进行时间序列分析