数据挖掘 - 使用 LSTM 进行多元回归 - 吾爱随笔录

我有兴趣将多元回归与 LSTM（长期短期记忆）一起使用。例如，我们可以以股票价格预测问题为例，其中时间 t 的价格基于多个因素（开盘价、收盘价等）。使用这些信息，我们需要预测 t+1 的价格。另一个例子可以是房价预测（这取决于房子的年龄、面积、床的数量、浴室的数量等）。使用这些信息，我们可以预测给定房屋的价格。

我发现了很多他们只使用单个变量回归的例子，但我有兴趣使用多个特征。

有没有人试过这个，有人能指出正确的方向吗？

我尝试了以下方法，但不知道这是否是有效的方法。

# Importing the training set
training_set = pd.read_csv('Google_Stock_Price_Train.csv').iloc[:,1:3].values#has fields: Date,Open,High,Low,Close,Volume
# Feature Scaling
from sklearn.preprocessing import MinMaxScaler
sc = MinMaxScaler()
training_set_scaled = sc.fit_transform(training_set)
X_train = training_set_scaled[0:1257]
y_train = training_set_scaled[1:1258]
# Reshaping
X_train = np.reshape(X_train, (1257, 1, 2))
X_train, y_train = np.array(X_train), np.array(y_train)
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 2))
from keras.models import Sequential
from keras.layers import Dense, LSTM
regressor = Sequential()
regressor.add(LSTM(units = 4, activation = 'sigmoid', input_shape = (None, 2)))
regressor.add(Dense(units = 2))
regressor.compile(optimizer = 'rmsprop', loss = 'mean_squared_error')
regressor.fit(X_train, y_train, batch_size = 32, epochs = 100)

谢谢。