8

问题

我正在尝试使用连续 5 年的历史数据来预测下一年的值。

数据结构

我的输入数据input_04_08如下所示，其中第一列是一年中的某一天（1 到 365），第二列是记录的输入。

1,2
2,2
3,0
4,0
5,0

我的输出数据output_04_08看起来像这样，单列记录了一年中的那一天的输出。

27.6
28.9
0
0
0

然后我将 0 和 1 之间的值标准化，因此给网络的第一个样本看起来像

Number of training patterns:  1825
Input and output dimensions:  2 1
First sample (input, target):
[ 0.00273973  0.04      ] [ 0.02185273]

方法

前馈网络

我在 PyBrain 中实现了以下代码

input_04_08 = numpy.loadtxt('./data/input_04_08.csv', delimiter=',')
input_09 = numpy.loadtxt('./data/input_09.csv', delimiter=',')
output_04_08 = numpy.loadtxt('./data/output_04_08.csv', delimiter=',')
output_09 = numpy.loadtxt('./data/output_09.csv', delimiter=',')

input_04_08 = input_04_08 / input_04_08.max(axis=0)
input_09 = input_09 / input_09.max(axis=0)
output_04_08 = output_04_08 / output_04_08.max(axis=0)
output_09 = output_09 / output_09.max(axis=0)
ds = SupervisedDataSet(2, 1)

for x in range(0, 1825):
    ds.addSample(input_04_08[x], output_04_08[x])

n = FeedForwardNetwork()
inLayer = LinearLayer(2)
hiddenLayer = TanhLayer(25)
outLayer = LinearLayer(1)
n.addInputModule(inLayer)
n.addModule(hiddenLayer)
n.addOutputModule(outLayer)
in_to_hidden = FullConnection(inLayer, hiddenLayer)
hidden_to_out = FullConnection(hiddenLayer, outLayer)
n.addConnection(in_to_hidden)
n.addConnection(hidden_to_out)
n.sortModules()

trainer = BackpropTrainer(n, ds, learningrate=0.01, momentum=0.1)

for epoch in range(0, 100000000): 
    if epoch % 10000000 == 0:
        error = trainer.train()  
        print 'Epoch: ', epoch
        print 'Error: ', error


result = numpy.array([n.activate(x) for x in input_09])

这给了我以下结果，最终错误为 0.00153840123381

在此处输入图像描述

诚然，这看起来不错。但是，在阅读了有关 LSTM（长短期记忆）神经网络的更多信息以及对时间序列数据的适用性之后，我正在尝试构建一个。

LSTM 网络

下面是我的代码

input_04_08 = numpy.loadtxt('./data/input_04_08.csv', delimiter=',')
input_09 = numpy.loadtxt('./data/input_09.csv', delimiter=',')
output_04_08 = numpy.loadtxt('./data/output_04_08.csv', delimiter=',')
output_09 = numpy.loadtxt('./data/output_09.csv', delimiter=',')

input_04_08 = input_04_08 / input_04_08.max(axis=0)
input_09 = input_09 / input_09.max(axis=0)
output_04_08 = output_04_08 / output_04_08.max(axis=0)
output_09 = output_09 / output_09.max(axis=0)
ds = SequentialDataSet(2, 1)

for x in range(0, 1825):
    ds.newSequence()
    ds.appendLinked(input_04_08[x], output_04_08[x])


fnn = buildNetwork( ds.indim, 25, ds.outdim, hiddenclass=LSTMLayer, bias=True, recurrent=True)
trainer = BackpropTrainer(fnn, ds, learningrate=0.01, momentum=0.1)

for epoch in range(0, 10000000): 
    if epoch % 100000 == 0:
        error = trainer.train()  
        print 'Epoch: ', epoch
        print 'Error: ', error

result = numpy.array([fnn.activate(x) for x in input_09])

这导致最终错误为 0.000939719502501，但是这一次，当我输入测试数据时，输出图看起来很糟糕。

在此处输入图像描述

可能的问题

我在这里查看了几乎所有 PyBrain 的问题，这些问题很突出，但并没有帮助我解决问题

我已经阅读了一些博客文章，这些文章有助于加深我的理解，但显然还不够

当然，我也浏览了 PyBrain 文档，但在此处的顺序数据集栏上找不到太多帮助。

欢迎任何想法/提示/方向。

4

1 回答 1

7

我认为这里发生的事情是您尝试根据一些适用于第一种情况的经验法则分配超参数值，但不适用于第二种情况。

1）您正在查看的误差估计是训练集的乐观预测误差估计。实际的预测误差很高，但是因为您没有在看不见的数据上测试您的模型，所以无法知道它。统计学习元素很好地描述了这种现象。我强烈推荐这本书。您可以免费在线获得它。

2）要获得具有低预测误差的估计器，您需要执行超参数调整。例如，隐藏节点的数量、学习率和动量应该改变并在看不见的数据上进行测试，以了解哪种组合导致最低的预测误差。scikit-learn可以做到这一点，但它们只适用于 sklearn 的估计器GridSearchCV。RandomizedSearchCV您可以滚动自己的估算器，文档中对此进行了描述. 个人认为模型选择和模型评估是两个不同的任务。对于第一个，您可以只运行一个 GridSearchCV 或 RandomizedSearchCV 并为您的任务获得一组最佳超参数。对于模型评估，如果您想要更准确的估计，您需要运行更复杂的分析，例如嵌套交叉验证，甚至重复嵌套交叉验证。

3）我对 LSTM 网络了解不多，但我看到在第一个示例中您分配了 25 个隐藏节点，但对于 LSTM，您只提供了 5 个。可能学习模式还不够。您也可以像示例中所做的那样删除输出偏差。

PS 我认为这个问题实际上属于http://stats.stackexchange.com，在那里您可能会得到更详细的问题答案。

编辑：我刚刚注意到您正在为 1000 万个时代教授模型！我认为这是很多并且可能是过度拟合问题的一部分。我认为实施early stopping是一个好主意，即如果达到某些预定义的错误，则停止训练。

于 2015-12-04T12:36:09.843 回答