我正在尝试对时间序列数据进行回归,但在某个值以下,我无法得到可接受的预测。这是一个时间序列交易数据,最后20%用于测试和预测
我使用以下参数:
opt = keras.optimizers.Adam(lr=0.01)
def BuildModel():
model = Sequential()
model.add(Dense(256, input_dim=13,activation='relu'))
model.add(Dense(128, activation='relu'))
model.add(Dense(64,activation='relu'))
model.add(Dense(32,activation='relu'))
model.add(Dense(1,activation='linear'))
model.compile(loss="mean_squared_error", optimizer=opt)
return model
在比较测试标签和预测标签后,我得到:
现在,我不知道为什么预测在低于某个特定值时不起作用
我通过MinMaxScaler对原始值和放大值进行了回归:
scaler01 = MinMaxScaler(feature_range=(0, 1))
X_scaled = scaler01.fit_transform(df_01)
我尝试了原始特征和缩放特征(Y)
我的猜测是,要么是我在缩放方面做错了什么,要么是因为低于该值的特性(OHLC)较少,所以预测不正确
有人能给我指一下正确的方向吗
目前没有回答
相关问题 更多 >
编程相关推荐