LSTM深度学习预测-验证

Oprick

你好,
昨天我在这里发布了一个关于预测模型的前向验证的问题。
但@SGolbert他指出，lstm在预测中变得非常重要，因为我已经开始研究这一主题，所以我决定是时候尝试一下了。结果是相当公平的，虽然调整更棘手。

我使用这个扩展运算符:
https://marketplace.m.turtlecreekpls.com/UpdateServer/faces/product_details.xhtml?productId=rmx_deeplearning

我的问题基本上是，如果有可能验证使用此扩展构建的模型，例如，滑动窗口验证操作符。
当我尝试将mod输出端口与验证操作符mod端口连接时，我得到一个错误。我理解错误的原因，但是我被卡住了。

我们如何在此扩展下建立回测模型。

附带的模拟示例集和过程。

谢谢你的帮助

hughesfleming68

嗨Opick。这可以与滑动窗口操作符一起工作。下面是验证的过程。

在现实世界中，我使用LSTM得到了不同的结果。我使用遵循Wavenet模型的扩展因果卷积网络获得了更好的结果。不幸的是，你需要一些Python/Keras/Tensorflow的经验，但它都可以在Rapidminer内部与execute Python操作符一起工作。

这里的警告是，调整深度学习网络需要花费大量的时间。在层数，神经元和激活函数之间，它真的需要一个承诺。

看看M4预测竞赛，看看一些顶级解决方案是如何工作的，对你来说可能也很有趣。关于这些技术是否优于经典方法的讨论也很多。这个答案有时并不是绝对明确的。

问候,

亚历克斯

lionelderkrikor

嗨@Oprick，

我只是导入并执行了您与您的数据和.....共享的过程一切都很好……
你能告诉我更多关于你的错误吗?

问候,

莱昂内尔

Oprick

你好,
谢谢@hughesfleming68
我在mod端口看到了红色警告，并没有尝试运行该进程:S Dumb be。

也非常感谢你的建议。

问候,
佩德罗

SGolbert

你真的需要一个昂贵的GPU。我训练了一个简单的RNN模型，基于过去5年纳斯达克交易所的一只股票的阅读，用CPU训练花了20分钟(csv文件是65 kb!)。相比之下，对于同样的任务，VAR模型几乎是瞬间训练的，这是一个很好的模型。

我认为深度学习只有在任务本身非常复杂的情况下才有意义，所以简单的模型并不能解决问题。

问候,

塞巴斯蒂安。

hughesfleming68

嗨@SGolbert对于时间序列，CNN的一个优势是，对于类似或更好的结果，它们通常比LSTM轻得多。为了节省时间，值得一试。在许多情况下，GPU是不必要的。我正在使用CPU与Tensorflow，它不是无法忍受的训练时间方面。

问候,

亚历克斯

SGolbert

嗨@hughesfleming68

问题是你有几个参数和神经网络架构。如果你真的想优化它，那就变得不可能了(除非你计划去度假)。如果你想用给定的参数训练一个给定的神经网络，那么这是可行的，但这不是一个现实的情况。

你对预训练网络有经验吗?

问候,

塞巴斯蒂安。

hughesfleming68

嗨@SGolbert我同意你关于优化所需时间的看法。这是你生命的一部分，你再也回不去了!另一方面，有一些已知的网络架构，如AlexNet、LeNet、RezNet和我的WaveNet，它们为许多不同的任务提供了很好的起点。对一个已知的体系结构进行微调比从头开始构建一个复杂的体系结构更有意义。

除了我读到的，我对预训练网络没有任何经验。

问候,

亚历克斯

WT

嗨,亚历克斯@hughesfleming68在你上面的帖子之后，我研究了Wavenet的时间序列预测。我的项目涉及使用基础股票价格和其他时间序列数据具有相同的频率，即每日(alpha，行业表现和一些技术指标)来预测未来五天的股票价格。我的问题是a)在Rapidminer中已经有Wavenet的现有实现了吗?b)如果没有，是否有任何现有的时间扩展因果神经网络实现或库可以解决Rapidminer中的这个问题?谢谢你-任何帮助欢迎，因为我无法在任何文档或在线教程中找到这些答案。

hughesfleming68

嗨，WT，在Rapidminer中没有现成的波网实现或修改的波网架构。然而，您可以使用DL4J深度学习扩展来做多元CNN，但除非有什么改变，否则扩展不是扩展的一部分。如果打算使用多个属性，这可能是问题，也可能不是问题。我有很好的(可重复的)结果与深度学习扩展。

你可以做的和我使用的是在Rapidminer内的Tensorflow与execute python操作符，它打开了更多的可能性。Tensorflow很方便，因为你可以在Github上找到很多代码，这使得通过示例学习成为可能。对于时间序列预测的扩展cnn的一个例子，我会看一下Krist Papadopoulos的seriesnet.py，他已经在Github上提供了。https://github.com/kristpapadopoulos/seriesnet。然而，你必须安装Anaconda, Keras和Tensorflow。对于许多用户来说，这可能是一个很大的飞跃，除非你已经有了这个功能。关于在Tensorflow中获得可重复的结果，还有一些额外的东西需要学习，而且它很慢。还有门控卷积神经网络，我能想到的至少有五六个变体。在找到适合自己的方法之前，您可能需要探索许多不同的选择。

问候,

亚历克斯

WT

谢谢你亚历克斯-这是超级有帮助的，我非常感谢这一点，因为它比我想象的更难得到帮助，所以很高兴看到你今天的回复，非常感激。我会尝试这些可能的解决方案，我肯定能找到一个有效的。问候沃伦

尼斯

非常感谢@hughesfleming68Alex先生，请告诉我如何用于预测LSTM和MLP的两个输出，谢谢!