我想做什么:我有多个平行时间序列,我试图根据所有这些时间序列预测另一个值(我不确定这是否仍然称为回归)。 其中一个时间序列是最重要的,它的值应该比其他时间序列的值具有更大的影响
我做了什么:我用keras函数API实现了一个神经网络。它有多个输入,每个时间序列一个:
main_input = Input(...)
context_input1 = Input(...)
context_input2 = Input(...)
...
context_inputn = Input(...)
问题在哪里:我如何实现主输入中的样本比上下文输入中的样本具有更高的影响,上下文输入?我知道,当您使用网络进行分类(因此在数据中有不同的类)时,您可以这样做:
model.fit(x=..., y=..., sample_weight={class1=0.6, class2=0.4}
当我的训练数据中没有不同的类但有不同的输入时,如何获得不同的样本权重
你把keras
class_weights
和sample_weights
混淆了sample_weights
用于为每个训练样本提供权重。这意味着您应该传递一个1D数组,该数组的元素数与训练样本数相同(指示每个样本的权重)。在使用时态数据的情况下,您可以传递一个2D数组,使您能够为每个样本的每个时间步赋予权重相关问题 更多 >
编程相关推荐