因此，我搜索了一些有关重塑问题的文章和Issue文章，但到目前为止，这些解决方案似乎都对我不起作用。
该项目的目标是：预测各商店和SKU的每周销售额（衣服的属性：例如颜色/尺寸）。
数据集的结构如下：
Week, store_id, color, size, last_week_sales, last_2week_sales_(sales two weeks),actual_sales(the one we want to predict)
1, 341, red, LL, 0, 1, 1
1, 341, yellow, M, 2, 4, 2
1, 341, blue, S, 2, 2, 3
2, 342, blue, M, 2, 3, 1
2, 342, green, S, 2, 3, 2
因此，每周，每条记录都是通过功能（衣服的属性和store_id等）的组合而唯一的
每周的记录数不同。
2018年8月23日更新：
我尝试了完全连接的NN，但是正确性约为75％，无法通过各种方式进行改进。我想知道是否还有其他方法可以解决此问题，请先谢谢！
答案 0 :(得分：1)
“重塑问题”是由于对自己的数据和预测目标缺乏了解。 LSTM（通常是RNN）期望向量序列数据结构。本质上，您想对某些函数f（x）进行建模，其中功能随时间变化，x = x（t），因此f（x）可以重写为f（t）。这在示例数据集中并没有特别明显，因为只有一小部分功能（销售）是随时间变化的。
您可以做的是将单个时间段视为一个向量，其元素是静态特征（颜色，商店ID等）加上一个销售实例。这样，完整样本将是由N个垂直堆叠的时间片组成的矩阵，其中N是您拥有的时间片计数。这些样本的许多实例都是批处理，即3维张量，它是循环网络的预期输入。
如果您不只是为了实验和学习而这样做，您应该记住这是一种不好的方法。您的功能没有任何时间结构，从直觉上讲，它们不应对下周的销售产生任何预测潜力。此外，在这里使用RNN是一个过大的选择，您肯定会过度拟合数据集。