時間ステップと特徴は、Keras での LSTM データ再形成にどのような影響を与えますか?

LSTM タイム ステップとデータ再構成の再検討

Jason Brownlee が実証したように、Keras LSTM 実装では、タイム ステップと機能の重要性を理解することが不可欠です。データを形式 [サンプル、タイム ステップ、特徴] に再形成します。

タイム ステップ: 名前が示すように、タイム ステップは時間次元に沿ったデータ ポイントの数を指します。財務時系列などのシーケンシャル データのコンテキストでは、シーケンスに沿ったデータの各ウィンドウがタイム ステップとみなされます。

特徴: 特徴とは、考慮される変数の数を指します。各時間ステップ。たとえば、株式の価格と出来高を同時に分析している場合、タイム ステップごとに 2 つの特徴 (価格と出来高) が存在することになります。

再形成では、生データを 3 次元配列に変換します。次元はサンプル数を表し、2 番目の次元は各サンプル内のタイム ステップ数を表し、3 番目の次元は各タイム ステップでの特徴の数を表します。

再形成されたデータの解釈

N 個の石油タンクの圧力と温度を 5 時間にわたって視覚化する例を考えてみましょう:

Tank A: [[P1, T1], [P2, T2], [P3, T3], [P4, T4], [P5, T5]]
Tank B: [[PB1, TB1], [PB2, TB2], [PB3, TB3], [PB4, TB4], [PB5, TB5]]
…
Tank N: [[PN1, TN1], [PN2, TN2], [PN3, TN3], [PN4, TN4], [PN5, TN5]]

この配列を [サンプル、タイム ステップ、特徴] に再形成すると、次のようになります。

Sample 1 (Tank A): [[P1, P2, P3, P4, P5], [T1, T2, T3, T4, T5]]
Sample 2 (Tank B): [[PB1, PB2, PB3, PB4, PB5], [TB1, TB2, TB3, TB4, TB5]]
…
Sample N (Tank N): [[PN1, PN2, PN3, PN4, PN5], [TN1, TN2, TN3, TN4, TN5]]

ステートフル LSTM について

ステートフル LSTM は、バッチ間の内部メモリの状態を維持します。提供されたコードのように、batch_size=1 を使用すると、ネットワークは前のタイム ステップの出力を現在のタイム ステップの入力として利用します。これにより、モデルはデータ内の順次依存関係をキャプチャできるようになります。

コードで指定されているように、ステートフル LSTM が shuffle=False でトレーニングされると、モデルはシーケンスを順番に処理し、次のコンテキストから学習できるようになります。

結論

タイム ステップ、機能、ステートフル LSTM 動作の概念を理解することは、LSTM ネットワークを効果的に操作するために重要です。データを適切に再形成し、ステートフル LSTM を採用することで、時間シーケンス モデリングに LSTM の力を活用できます。

以上が時間ステップと特徴は、Keras での LSTM データ再形成にどのような影響を与えますか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。