我试图预测一组给定商品的销售价格。我在 pybrain 中使用 RecurrentNetwork 和 BackpropTrainer。这是我的代码,
def nnet(train, target, valid):
ds = SupervisedDataSet(52-len(NU)+5, 1)
for i in range(len(train)):
ds.appendLinked(train[i], target[i])
n = RecurrentNetwork()
n.addInputModule(LinearLayer(52-len(NU)+5, name='in'))
n.addModule(SigmoidLayer(3, name='hidden'))
n.addOutputModule(LinearLayer(1, name='out'))
n.addConnection(FullConnection(n['in'], n['hidden'], name='c1'))
n.addConnection(FullConnection(n['hidden'], n['out'], name='c2'))
n.addRecurrentConnection(FullConnection(n['hidden'], n['hidden'], name='c3'))
n.sortModules()
t = BackpropTrainer(n,learningrate=0.001,verbose=True)
t.trainOnDataset(ds, 20)
prediction = np.zeros((11573, 1), dtype = int)
for i in range(11573):
prediction[i] = n.activate(valid[i])
return prediction
这里使用 numpy 数组 train 和 target 来训练模型,52-len(NU)+5 是属性(特征)的数量。对于每个有效的项目,我们必须预测销售价格。问题是,对于每个有效的项目,除了第一个之外,我得到相同的销售价格。我做错了什么?提前致谢。
数组维度如下,
火车 - 401125, 52-len(NU)+5
目标 - 401125, 1
有效 - 11573,52-len(NU)+5
最佳答案
我不确定 PyBrain 的具体实现细节,但我看到了两种可能性。
1) 反向传播不适用于线性激活函数。根据 PyBrain 的实现细节,将“LinearLayer”的两个实例更改为“SigmoidLayer”可以解决此问题。
2) 对于循环神经网络,您必须使用时间反向传播(一种专门适用于 RNN 的算法)而不是正常的反向传播。根据 PyBrain 的实现细节,此变体可能有一个单独的类。值得一试。
关于python - PyBrain 预测错误,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/15319030/