python中基于LSTM的二元时间序列预测

Question

您好，我正在处理表达式数据的二进制时间序列，如下所示：

0: decrease expression
1: increase expression

我正在训练一个双向LSTM网络来预测下一个值，但不是给我值​​如果为0或1，则返回值​​比如：

0.564
0.456
0.423
0.58

如何使其返回0或1

这是我的代码：

ventana = 10
n_features = 1
neurons = 256 #155
activacion = 'softmax'
perdida = 0.25
batch_size = 32 # 32
epochs = 100 # 200
X, y = split_sequence(cierres, ventana)
X = X.reshape((X.shape[0], X.shape[1], n_features))
# define model
model = Sequential()
model.add(Bidirectional(LSTM(neurons, activation=activacion), input_shape=(ventana, n_features)))
model.add(Dropout(perdida))
model.add(Dense(1))
model.compile(optimizer='adam', loss='binary_crossentropy')
# fit model
model.fit(X, y, epochs=epochs, batch_size=batch_size, verbose=1, shuffle=False)

Answer 1

网络有效地对数据进行了回归，并没有给出精确的0或1。通过在两者之间给出一个数字，它产生了某种程度的自信，接近1的数字更自信地是1。要对此进行转换，可以应用阈值化，将输出四舍五入为0或1

import numpy as np
y_out = model.fit(...)
y_pred = np.round(y_out)

这就是说，这实际上并没有最小化某些类型的损失函数。如果你在MSE这样的函数上得分，最好保持数字不变