我目前正在研究稀有事件预测，这是我以前从未做过的（我曾经处理过简单的预测问题），我查阅了this article关于使用LSTM进行时间序列稀有事件分类的信息。 / p>
阅读起来非常令人兴奋，因为我认为我的情况有点相似：通过历史活动功能预测母牛的产犊时间，其中产犊只在数据收集结束时发生一次。
但是...除了我的数据比示例小得多之外，使用LSTM引起的混乱也太多了。我期待的LSTM的优点是“回头看”功能，该功能可以让您为每个输出确定上一次回头时有多少输入。
我的问题将是：是否有像LSTM一样适用于时间序列分类的“更轻松”或更简单的机器学习方法？
我尝试使用简单的ML（例如决策树，随机森林），但我认为它不能很好地表示问题（许多历史数据合并为一个输出）。
这个问题也交叉发布在StackExchange上。我知道我应该在这里问更多与编程有关的问题，但我们会提供任何帮助/见解。
答案 0 :(得分：0)
许多机器学习项目/程序的问题是缺少数据，这是您不希望使用LSTM的原因之一。不仅对于LSTM（尽管也会受到很大的影响），但其他方法也会遇到问题，例如数据过度拟合，对异常值的重视程度更高等，这些问题实际上只能通过更多数据来解决（或微调参数）。
您可能要考虑的一个选项可能是合成数据生成，或者是用于扩展数据集的另一种方法。这样，您将仍然可以使用LSTM，因为它将有更多数据可以运行。
我将链接到我发现对解决小数据问题很有帮助的article。最好的选择是采用简单或基本的ML方法（线性回归就是一个例子）。
如果要尝试将稀有预测与更标准的模式分开（对数据集了解不多，很难说），可以尝试使用SVM。
如果您想选择方差，即罕见的预测，也可以尝试使用PCA来查看最大方差在哪里。
同样，我建议的方法在很大程度上取决于您的数据集，而且我不确定它们对时间序列数据的效果如何。寻找一种扩大数据集的方法将是更可取的选择。
让我知道这是否有帮助！