ฉันใหม่สำหรับ ML และ TensorFlow (ฉันเริ่มประมาณสองสามชั่วโมงที่ผ่านมา) และฉันพยายามใช้เพื่อทำนายจุดข้อมูลสองสามอันถัดไปในอนุกรมเวลา ฉันรับข้อมูลของฉันและทำสิ่งนี้กับมัน:
/----------- x ------------\
.-------------------------------.
| 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
'-------------------------------'
\----------- y ------------/
สิ่งที่ฉันคิดว่าฉันกำลังทำคือการใช้xเป็นข้อมูลอินพุตและyเป็นผลลัพธ์ที่ต้องการสำหรับอินพุตนั้นเพื่อให้ 0-6 ฉันจะได้รับ 1-7 (โดยเฉพาะ 7) แต่เมื่อผมทำงานกราฟของฉันกับxเป็น input ในสิ่งที่ฉันได้รับคือการทำนายที่มีลักษณะเหมือนxกว่าปี
นี่คือรหัส (ตามโพสต์นี้และโพสต์นี้ ):
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plot
import pandas as pd
import csv
def load_data_points(filename):
print("Opening CSV file")
with open(filename) as csvfile:
print("Creating CSV reader")
reader = csv.reader(csvfile)
print("Reading CSV")
return [[[float(p)] for p in row] for row in reader]
flatten = lambda l: [item for sublist in l for item in sublist]
data_points = load_data_points('dataset.csv')
print("Loaded")
prediction_size = 10
num_test_rows = 1
num_data_rows = len(data_points) - num_test_rows
row_size = len(data_points[0]) - prediction_size
# Training data
data_rows = data_points[:-num_test_rows]
x_data_points = np.array([row[:-prediction_size] for row in data_rows]).reshape([-1, row_size, 1])
y_data_points = np.array([row[prediction_size:] for row in data_rows]).reshape([-1, row_size, 1])
# Test data
test_rows = data_points[-num_test_rows:]
x_test_points = np.array([[data_points[0][:-prediction_size]]]).reshape([-1, row_size, 1])
y_test_points = np.array([[data_points[0][prediction_size:]]]).reshape([-1, row_size, 1])
tf.reset_default_graph()
num_hidden = 100
x = tf.placeholder(tf.float32, [None, row_size, 1])
y = tf.placeholder(tf.float32, [None, row_size, 1])
basic_cell = tf.contrib.rnn.BasicRNNCell(num_units=num_hidden, activation=tf.nn.relu)
rnn_outputs, _ = tf.nn.dynamic_rnn(basic_cell, x, dtype=tf.float32)
learning_rate = 0.001
stacked_rnn_outputs = tf.reshape(rnn_outputs, [-1, num_hidden])
stacked_outputs = tf.layers.dense(stacked_rnn_outputs, 1)
outputs = tf.reshape(stacked_outputs, [-1, row_size, 1])
loss = tf.reduce_sum(tf.square(outputs - y))
optimizer = tf.train.AdamOptimizer(learning_rate)
training_op = optimizer.minimize(loss)
init = tf.global_variables_initializer()
iterations = 1000
with tf.Session() as sess:
init.run()
for ep in range(iterations):
sess.run(training_op, feed_dict={x: x_data_points, y: y_data_points})
if ep % 100 == 0:
mse = loss.eval(feed_dict={x: x_data_points, y: y_data_points})
print(ep, "\tMSE:", mse)
y_pred = sess.run(stacked_outputs, feed_dict={x: x_test_points})
plot.rcParams["figure.figsize"] = (20, 10)
plot.title("Actual vs Predicted")
plot.plot(pd.Series(np.ravel(x_test_points)), 'g:', markersize=2, label="X")
plot.plot(pd.Series(np.ravel(y_test_points)), 'b--', markersize=2, label="Y")
plot.plot(pd.Series(np.ravel(y_pred)), 'r-', markersize=2, label="Predicted")
plot.legend(loc='upper left')
plot.xlabel("Time periods")
plot.tick_params(
axis='y',
which='both',
left='off',
right='off',
labelleft='off')
plot.show()
ผลที่ได้แสดงในกราฟด้านล่างคือการทำนายว่าต่อไปนี้xแทนที่จะถูกเลื่อนไปทางซ้าย (และรวมทั้งจุดที่คาดการณ์ไว้ทางด้านขวา) ในขณะที่มันควรจะมีลักษณะคล้ายกับY เห็นได้ชัดว่าความปรารถนาที่จะให้เส้นสีแดงใกล้เคียงกับสีฟ้ามากที่สุด
ฉันไม่รู้ว่าฉันกำลังทำอะไรกับเรื่องนี้ดังนั้นโปรด ELI5
โอ้จุดข้อมูลของฉันก็ค่อนข้างเล็ก (ลำดับ 0.0001) ถ้าฉันไม่คูณพวกมันด้วยพูดว่า 1000000 ผลลัพธ์จะเล็กจนเส้นสีแดงเกือบแบนที่ด้านล่างของแผนภูมิ ทำไม? ฉันเดาว่ามันเป็นเพราะการยกกำลังสองในฟังก์ชั่นการออกกำลังกาย ข้อมูลควรจะถูกทำให้เป็นมาตรฐานก่อนการใช้งานและถ้าเป็นเช่นนั้นกับสิ่งใด 0-1? ถ้าฉันใช้:
normalized_points = [(p - min_point) / (max_point - min_point) for p in data_points]การคาดการณ์ของฉันผันผวนมากขึ้นเมื่อดำเนินไปเรื่อย ๆ : 
แก้ไข:ฉันเป็นคนโง่และให้ยกตัวอย่างเพียงอย่างเดียวเพื่อเรียนรู้จากไม่ใช่ 500 ใช่ไหม ดังนั้นฉันควรให้ตัวอย่าง 500 จุดหลายจุดใช่ไหม