如何将分类时间序列数据输入LSTM

Question

我想将我的数据输入LSTM网络，但是找不到任何类似的问题或教程。我的数据集是这样的：

person 1:
    t1 f1 f2 f3
    t2 f1 f2 f3
     ...
    tn f1 f2 f3
.
.
.

person K:
    t1 f1 f2 f3
    t2 f1 f2 f3
     ...
    tn f1 f2 f3

所以我有k个人，对于每个人，我都有一个类似输入的矩阵。每行的第一列是增量时间戳（类似于时间线，因此t1 <t2），其他列是该时间中人的特征。

在数学方面：我有一个(number of example,number of time stamp, number of feature)矩阵，如（52,20,4），其中52是人数，20是一个人的时间戳数，4是特征数（1列是时间戳和3个功能）

每个人都有一个班级名称。我想使用LSTM神经网络将此人分为两类。我的问题是如何在Keras等高级库中将这类数据输入LSTM？

编辑： 我的第一个尝试是在keras中将其用作input_shape，但在二进制分类中我获得了50％的精度！是我的数据集中的问题还是input_shape是错误的？！

LSTM(5,input_shape=(20,4))

Answer 1

根据LSTM的keras文档，您应该提供3D输入形状，其中第一维是批处理大小（通常为None）。因此，请尝试input_shape =（None，20，4）。对于Keras来说，这似乎很常见。

Answer 2

您需要用feature vector表示每个人的数据，并将此向量传递到分类器中（例如MLP classifier）。问题是如何获得feature vector？有很多方法可以得到这样的feature vector，而 LSTM 是其中的一种。

LSTM 的输入需要3D向量，其形状为[batch_size x time x feature]。正如您在问题中提到的，您可以使用以下方法将数据输入模型：

model = Sequential()
model.add(LSTM(5, input_shape=(20, 4))
model.add(Dense(2, activation='sigmoid')

1）我猜t和f的值相差很大，而不是normalized。结果，对LSTM的预测并不令人印象深刻。

2）您的数据集相对较小。要找出是 LSTM 问题还是数据集问题使模型过度适合训练数据。如果您在训练数据上获得100％的准确性，则意味着您的LSTM学会了很好地表示特征向量。否则，这意味着您设计的模型不正确或数据输入不正确。