04 用于时间序列回归的堆叠 LSTM

最新推荐文章于 2024-09-05 09:00:00 发布

w淳淳淳淳

最新推荐文章于 2024-09-05 09:00:00 发布

阅读量698

点赞数 4

分类专栏：代码文章标签： python 机器学习

本文链接：https://blog.csdn.net/m0_49773334/article/details/118672839

版权

这篇博客介绍如何用堆叠LSTM进行时间序列回归任务，对比了与分类任务的区别。首先，导入相关包并加载之前创建的数据集，然后按照时间序列特性划分训练和测试集。接着，构建LSTM层、嵌入层和全连接层的模型，拥有约29,371个参数。由于目标是回归，训练和优化过程与分类任务不同。最后，评估模型的预测收益和影响力。" 79389278,7487290,C# 16进制数据转换实用方法,"['C#编程', '数据转换', '十六进制', '编码解码']

摘要由CSDN通过智能技术生成

这一节的前面部分的操作内容及LSTM的堆叠都与上一节完全一样，只是我们最终用途上有差别。03讲的是classification，04讲的是regression。

导入各类包

import warnings
warnings.filterwarnings('ignore')
%matplotlib inline

from pathlib import Path
import numpy as np
import pandas as pd

from scipy.stats import spearmanr

import tensorflow as tf
from tensorflow.keras.callbacks import ModelCheckpoint, EarlyStopping
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Dense, LSTM, Input, concatenate, Embedding, Reshape, BatchNormalization
import tensorflow.keras.backend as K

import matplotlib.pyplot as plt
from matplotlib.ticker import FuncFormatter
import seaborn as sns
gpu_devices = tf.config.experimental.list_physical_devices('GPU')
if gpu_devices:
    print('Using GPU')
    tf.config.experimental.set_memory_growth(gpu_devices[0], True)
else:
    print('Using CPU')
idx = pd.IndexSlice
sns.set_style('whitegrid')
np.random.seed(42)#到这一步都是之前已经做过的操作进行一个预处理。
results_path = Path('results', 'lstm_embeddings')#从路径导入新数据。
if not results_path.exists():
    results_path.mkdir(parents=True)

导入数据

这里导入的数据就是我们在01中所创建的数据集。

data = pd.read_hdf('data.h5', 'returns_weekly').drop('label', axis=1)#删除表中的label行。
data['ticker'] = pd.factorize(data.index.get_level_values('ticker'))[0]#依旧对刻度标准进行分类。
data['month'] = data.index.get_level_values('date').month#index是索引，get_level_values是返回所请求级别的值索引，也就是按照date的索引进行一个返回。
data = pd.get_dummies(data, columns=['month'], prefix='month')#对原数据集进行一个添加拓展。
data.info()

<class 'pandas.core.frame.DataFrame'>
MultiIndex: 1547552 entries, ('000001', Timestamp('2017-12-31 00:00:00')) to ('689009', Timestamp('2008-01-02 00:00:00'))
Data columns (total 66 columns):
 #   Column       Non-Null Count    Dtype  
---  ------       --------------    -----  
 0   0            1547552 non-null  float64
 1   1            1547552 non-null  float64
 2   2            1547552 non-null  float64
 3   3            1547552 non-null  float64
 4   4            1547552 non-null  float64
 5   5            1547552 non-null  float64
 6   6            1547552 non-null  float64
 7   7            1547552 non-null  float64
 8   8            1547552 non-null  float64
 9   9            1547552 non-null  float64
 10  10           1547552 non-null  float64
 11  11           1547552 non-null  float64
 12  12           1547552 non-null  float64
 13  13           1547552 non-null  float64
 14  14           1547552 non-null  float64
 15  15           1547552 non-null  float64
 16  16           1547552 non-null  float64
 17  17           1547552 non-null  float64
 18  18           1547552 non-null  float64
 19  19           1547552 non-null  float64
 20  20           1547552 non-null  float64
 21  21           1547552 non-null  float64
 22  22           1547552 non-null  float64
 23  23           1547552 non-null  float64
 24  24           1547552 non-null  float64
 25  25           1547552 non-null  float64
 26  26           1547552 non-null  float64
 27  27           1547552 non-null  float64
 28  28           1547552 non-null  float64
 29  29           1547552 non-null  float64
 30  30           1547552 non-null  float64
 31  31           1547552 non-null  float64
 32  32           1547552 non-null  float64
 33  33           1547552 non-null  float64
 34  34           1547552 non-null  float64
 35  35           1547552 non-null  float64
 36  36           1547552 non-null  float64
 37  37           1547552 non-null  float64
 38  38           1547552 non-null  float64
 39  39           1547552 non-null  float64
 40  40           1547552 non-null  float64
 41  41           1547552 non-null  float64
 42  42           1547552 non-null  float64
 43  43           1547552 non-null  float64
 44  44           1547552 non-null  float64
 45  45           1547552 non-null  float64
 46  46           1547552 non-null  float64
 47  47           1547552 non-null  float64
 48  48           1547552 non-null  float64
 49  49           1547552 non-null  float64
 50  50           1547552 non-null  float64
 51  51           1547552 non-null  float64
 52  52           1547552 non-null  float64
 53  label        1547552 non-null  int64  
 54  ticker       1547552 non-null  int64  
 55  month_1      1547552 non-null  uint8  
 56  month_2      1547552 non-null  uint8  
 57  month_3      1547552 non-null  uint8  
 58  month_4      1547552 non-null  uint8  
 59  month_5      1547552 non-null  uint8  
 60  month_6      1547552 non-null  uint8  
 61  month_7      1547552 non-null  uint8