我在某些数据上使用Keras。详细信息如下： 8,000个客户，每个客户的时间步长从2-41不等。因此，我使用零填充以确保所有客户都有41个时间步长。所有8,000个客户都有2个功能，数据带有0-4个多类标签。每个tilmestep都有一个标签。
训练完模型后，在过程的测试部分中，我想输入1-40步的功能和标签，然后让它在第41步中预测标签。有人知道这是否可能吗？我发现Keras在解释它实际预测的内容时有点像黑匣子（例如，当它给出准确度得分时，此准确度是多少？它试图预测什么：最后一个tilmestep标签或所有tilmestep标签？）。
在顺序Keras LSTM模型中是否应使用特定的模型细分？我读过'多对一模型（f（...））在收到多个输入值（X（t），X（t + 1），..之后产生一个输出（y（t））值。 ）。 '（Brownlee 2017）。但是，对于所有时间步长，除了我要预测的最后一个步长，我的输入都是Xt＆Yt，这似乎并不能容纳这个事实。我不确定如何设置代码来指示模型预测最后一个时间步长（我有数据，但是我想将预测类别与实际类别进行比较）。
答案 0 :(得分：1)
要预测每个功能的下一个时间步，您希望最终的Dense层的宽度与功能数量相同：
model.add(Dense(n_features))
在多个并行序列下有一个很好的例子说明了类似的问题 https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/
accuracy只是衡量模型有效性的指标。为了准确起见，它是correct_predictions / total_predictions