大脑皮层预测E

Question

我试图预测一套商品的销售价格。我正在pybrain中使用RecurrentNetwork和BackpropTrainer。这是我的密码

def nnet(train, target, valid):

    ds = Superviseddataset(52-len(NU)+5, 1)

    for i in range(len(train)):
        ds.appendLinked(train[i], target[i])

    n = RecurrentNetwork()

    n.addInputModule(LinearLayer(52-len(NU)+5, name='in'))
    n.addModule(SigmoidLayer(3, name='hidden'))
    n.addOutputModule(LinearLayer(1, name='out'))

    n.addConnection(FullConnection(n['in'], n['hidden'], name='c1'))
    n.addConnection(FullConnection(n['hidden'], n['out'], name='c2'))
    n.addRecurrentConnection(FullConnection(n['hidden'], n['hidden'], name='c3'))

    n.sortModules()

    t = BackpropTrainer(n,learningrate=0.001,verbose=True)
    t.trainOnDataset(ds, 20)

    prediction = np.zeros((11573, 1), dtype = int)
    for i in range(11573):
        prediction[i] = n.activate(valid[i])

    return prediction

在这里，train和target是numpy数组，用来训练模型，52 len（NU）+5是属性（特征）的个数，对于每一个有效的商品我们都要预测销售价格。问题是，每一件有效的商品，除了第一件以外，我都能得到相同的销售价格。我做错了什么？提前谢谢。在

阵列尺寸如下所示

列车-401125，52 len（NU）+5

目标-401125，1

有效-11573，52 len（NU）+5

Answer 1

我不确定PyBrain的具体实现细节，但我看到了两种可能性。在

1）反向传播不适用于线性激活函数。根据PyBrain的实现细节，将“LinearLayer”的两个实例更改为“SigmoidLayer”可以解决此问题。在

2）对于递归神经网络，您必须使用通过时间的反向传播（一种特别适用于RNN的算法）而不是常规的反向传播。根据PyBrain的实现细节，这个变体可能有一个单独的类。值得一看。在