首页
学习
活动
专区
圈层
工具
发布
社区首页 >问答首页 >我的密码怎么了?

问我的密码怎么了?
EN

Data Science用户
提问于 2019-05-04 19:32:14
回答 1查看 44关注 0票数 0

我正在做一个模型,用一周和一个月的一天来预测起飞时间的延迟。每个数据输入都是表单,前12位为月份,最后7位为一周中的最后一天。标签是整数,正整数或负整数,表示延迟的小时数。

这是我的密码:

代码语言:javascript
复制
#
#
# This model uses day and month as a predictor of delay.
# https://www.kaggle.com/usdot/flight-delays#flights.csv
#
#

# TensorFlow
import tensorflow as tf
from tensorflow import keras
from keras.models import load_model
from keras.models import Sequential
from keras.layers import Dense, Activation
from sklearn.preprocessing import minmax_scale

# Helper libraries
import numpy as np
import csv

# Get features and labels
train_features = np.load("train_features.npy")[:10000, :]
train_labels = np.load("train_labels.npy")[:10000]
print(train_labels)
test_features = np.load("test_features.npy")[:1000, :]
test_labels = np.load("test_labels.npy")[:1000]

# Risk Assessment Model
model = Sequential()
model.add(Dense(6, activation="relu", input_dim=19))
model.add(Dense(1, activation="sigmoid"))

model.compile(optimizer="rmsprop", loss="mean_squared_logarithmic_error", metrics=["accuracy"])

model.fit(
    train_features,
    train_labels,
    epochs=100,
    verbose=1,
    validation_data=(test_features, test_labels),
)

model.save("time_model.h5")

这个模型非常精确,我很难理解其中的原因。我不知道我应该使用什么样的激活函数,我感到完全迷失了。提前谢谢你的帮助。

EN

回答 1

Data Science用户

发布于 2019-05-05 00:21:29

我不确定这是一个很好的问题设置为一个前馈网络(特别是这样一个小的网络,只有一个激活超过6个神经元)。

如果你只是使用一周中的一天和一年中的月份,这里还有什么可以预测的呢?您可以简单地为每一个成对组合取平均值并使用它。

如果您想调整数据集的时间范围上的本地趋势,那么可能查看时态分解。例如,您可以为Python使用状态模型中可用的theseasonal_decomposemethod包。

这样做的目的是找到:

  1. 数据范围内的全球趋势
  2. 按重复模式(季节性)变化的数据部分,
  3. 任何剩余的噪音,或残余物不适合第1和第2部分。

它的工作原理是对数据进行卷积,以找到重复频率。与ConvNets相比,您可以把它想象成在时间上找到相关性,比如在图像中寻找像素上的相关性。

下面是一个例子,它使用了国际航空公司乘客总数的数据集。我使用statsmodel包将这个著名的R数据集加载为一个熊猫DataFrame:

代码语言:javascript
复制
In [1]: import statsmodels.api as sm                                                 

In [2]: import matplotlib.pyplot as plt                                              

In [3]: ap = sm.datasets.get_rdataset("AirPassengers")       # ap = AirPassengers

实际的dataframe存储在ap的D12属性上,有两列:

代码语言:javascript
复制
In [4]: ap.data.columns                                                              
Out[4]: Index(['time', 'value'], dtype='object')

我们可以看到数据是什么样子,哪里有明显的上升趋势,也有一个重复的季节性(更多的人飞越夏季时间):

代码语言:javascript
复制
In [5]: ap.data.plot("time", "value");                                            

In [6]: plt.show()

现在我们可以对数据进行季节性分解(freq=12,因为数据是每月的):

In :分解= sm.tsa.seasonal_decompose(ap.data.value.values,freq=12)

这个decomp结果有一些属性,但最有用的是图.我们可以看到分离得很好的季节和趋势,还有一些噪音。

In : decomp.plot();

In : plt.show()

我们看到它并不完美,因为季节性最适合于中间部分,而不是开始或结束阶段--在开始和结束时残差最大。

可以访问每个值:observed、trend、seasonal、resid和decmp对象上的nobs。

现在,如果这种分析有助于您发现季节性,那么您可能希望了解seasonality模型(也可以在statsmodel包中找到)。

这是博客文章,我刚刚发现,它看起来非常详细,可以帮助您在这条道路上。

如果你做这个节选是为了了解Keras和深入学习,那么研究更适合时间序列分析的LSTM模型可能是值得的。您还需要重新考虑如何将数据输入到模型中进行培训,而不是混淆时间信息或造成偏差(让模型欺骗)。

票数 1
EN
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://datascience.stackexchange.com/questions/51399

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档