LSTM模型的测试 理解

一 数据集的划分

test_data_size = 12
test_data = all_data[-test_data_size:]
train_data = all_data[:-test_data_size]

# 数据标准化
scaler = MinMaxScaler(feature_range=(-1, 1))
train_data_normalized = scaler.fit_transform(train_data.reshape(-1, 1))
train_data_normalized = torch.FloatTensor(train_data_normalized).view(-1)

test_inputs = train_data_normalized[-train_window:].tolist()  问 ：这里为什么要用训练集的最后train——window（个）数据作为测试模型的输入？

答： 因为是一整个序列数据，说白了，只是一条依赖于时间变化的数据，所以我们需要将训练集的最后train_window个数据拿出来，输入给测试模型 ，否则测试模型哪里来的输入？

fut_pred = 12

for i in range(fut_pred):
    seq = torch.FloatTensor(test_inputs[-train_window:])
    print("这是送入测试模型的数据，用这些数据来预测测试集，这是数据：{0}".format(seq))
    with torch.no_grad():
        model.eval()  # 将模型设置为评估模式
        seq = seq.unsqueeze(0).unsqueeze(2)
        prediction = model(seq)  # 使用模型进行预测
        test_inputs.append(prediction.item())  # 将预测结果添加到列表中

问：为什么不能把fut_pred 直接用 test_data_size 代替？

答：不可以：fut_pred 只是一个标签，当用train_window 个数据去连续预测 fut_pred 个数据时，此时是不改变训练集的大小的。如果用data_size代替，就会改变测试集和训练集的大小。如果将test_data_size当做fut_pred去调解时，可能在训练模型时，会污染数据集。

      当在使用模型的时候，即既不是测试也不是在训练的时候，需要从行设置预测的长度 即是fut_pred，所以在测试的时候可以用 tset_data_size代替fut_pred，在使用的时候不行。

问：(test_inputs[-train_window:]) 为什么要在输入序里面去最后train_window个数据，作为模型的输入？

答：

        第一，将一个序列输入给训练好的模型时，模型只会输出一个数。而我们如果想让模型输出多个数，就需要多几次循环使用模型。

        第二，在每次循环使用模型时，需要传入不同的序列，否则输出的就是同一个值。我们需要将上一次模型的输入添加到输入列表中。用上一次模型输出的预测值，组成新的列表。再从新的列表里面取出倒数train_window个数 做为一次模型的输入。