RNN LSTM应用在时间序列上

目标：

构建一个Python深度学习模型.用于预测股票价格的流行度.需要了解深度学习概念，特别是LSTM理论.

介绍：

LSTM在序列预测问题中非常强大.主要是它能够存储过去的信息.

学习模型一：

数据预处理：

机器学习离不开大量的数据，在这些数据分析前，先学习在Python中如何导入数据并对它进行预处理.

Python数据分析必须的库有两个：

Numpy库包含了各种数学计算函数

Pandas库用于导入和管理数据集.

导入数据集：

数据集通常是csv格式.csv以纯文本形式保存表格数据，文件的每一行是一条数据记录.用Pandas的read_csv方法读取本地csv文件作为一个数据帧（dataframe），然后从数据帧中制作自变量和因变量的矩阵和向量。iloc 的作用是通过行列号来获取数据，而 loc 则是通过标签索引数据。

基础了解：

列表：[1,2,3]

向量：一维数组，[1,2,3,4,5,6]

矩阵：二维数组，是列表的列表，[[1,2,3],[4,5,6]]

三维数组：

将二维矩阵转为为三维数组.

将降维后的数据转换成原始数据：inverse_transform

预测效果：

内容：

使用训练数据集1975个数据，预测16个数据.

与测试集真实16个数据做比较.