面板数据

Question

我在看面板数据，其被构造是这样的：

D = \{(x^{(k)}_{t},y^{(k)}_{t})\,|\, k=1,\dots,N\, , t=t_0,\dots,t_k \}_{k=1}^{N}

其中x^{(k)}表示k“个序列，x^{(k)}_{t}表示k”个序列值在时间t ，此外x^{(k)}_{i,t}是载体x^{(k)}_{t}中的i'th条目。那就是x^{(k)}_{t}是'th序列在时间t的特征向量。子脚本和超级脚本对于标签数据y^{(k)}_{t}意味着相同的东西，但是这里是y^{(k)}_{t} \in \{0,1\}。

用明白的话说：数据集包含随时间观察到的个体，并且观察个体的每个时间点记录他是否购买物品（y\in \{0,1\}）。

我想使用来自Keras的LSTM单元的递归神经网络来预测某个人是否会在给定的时间点购买物品。我只能找到RNN的例子，其中每个序列都有一个标签值（philipperemy link），而不是每个序列元素都有标签值的例子，如我所描述的问题。

到目前为止，我的方法一直是创建一个尺寸（样本，时间步长，特征）张量，但我无法弄清楚如何格式化标签，以便keras可以将它们与特征相匹配。它应该是这样的（样本，时间步长，1），其中最后一个维度表示包含0或1的标签值的单个维度。

此外，我遇到的一些方法会拆分序列，子序列被添加到训练数据中，因此极大地增加了对内存的需求（mlmastery link）。在我的情况下，这是不可行的，因为我有多个GB的数据，如果我添加了子序列，我将无法将它存储在内存中。

我想用这个模型是这样的：

mod = Sequential() 
mod.add(LSTM(30,input_dim=116, return_sequences = True)) 
mod.add(LSTM(10)) 
mod.add(Dense(2)) 

没有人有经验的keras面板数据的工作？

Answer 1

尝试：

mod = Sequential() 
mod.add(LSTM(30, input_shape=(timesteps, features), return_sequences = True)) 
mod.add(LSTM(10, return_sequences = True)) 
mod.add(TimeDistributed(Dense(1, activation='sigmoid'))) 
# In newest Keras version you can change the line above to mod.add(Dense(1, ..)) 

mod.compile(loss='binary_crossentropy', optimizer='rmsprop')