我们如何使使用 RNN 的预测 - 使用 python 的 LSTM 更加一致？答案

【问题标题】：How do we make the predictions using RNN - LSTM using python more consistent?我们如何使使用 RNN 的预测 - 使用 python 的 LSTM 更加一致？
【发布时间】：2020-05-15 21:19:26
【问题描述】：

我已经构建了一组 python 脚本。脚本执行以下任务 -

根据用户输入（股票代码、开始日期、结束日期等）获取股票价格信息
根据股价信息构建和训练模型
预测下一个预测价格和相关的 RMSE（均方根误差）
将输出与用户输入一起写入 xlsx 文件

到目前为止，一切都很好，它以一种体面的方式完成了上述所有工作。但是，每次我使用相同的数据和用户输入执行脚本 (2) 和 (3) 时，都会得到不同的预测值。我明白这些都是预测，即使所有因素保持相同，预测值也会有所不同。

例如，如果 trial#1 的 pred 值为 100，则 trial#2 的 pred 值为 105，trial#3 的 pred 值为 95，以此类推。这种（加/减）5 的变化是可以接受的。但是pred值不能在80到120之间。

我的问题是 - 如何最小化预测值的变化？

提前致谢，桑杰S

这是我正在使用的示例代码。

from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout
from tensorflow.python.util import deprecation

model = Sequential()
lstm1 = LSTM(units=60, return_sequences=True, input_shape = (x_train.shape[1],1))
lstm2 = LSTM(units=60, return_sequences=True)
lstm3 = LSTM(units=60)
dropOut = Dropout(0.2)
dense = Dense(units=1)

model.add(lstm1)
model.add(dropOut)

model.add(lstm2)
model.add(dropOut)

model.add(lstm2)
model.add(dropOut)

model.add(lstm3)
model.add(dropOut)

model.add(dense)
model.compile(optimizer='adam', loss='mean_squared_error')

【问题讨论】：

标签： python tensorflow machine-learning lstm recurrent-neural-network

【解决方案1】：

如果您的模型预测的值的变化很大，则表明您的模型训练得不够好。请通过增加 epoch 数来进一步训练您的模型，并为您的模型添加更多层。

另外我建议您在模型的层中添加适当的激活函数。

【讨论】：

【解决方案2】：

首先，由于多种原因，LSTM 不足以预测股票价格，即使这个 Kaggle 笔记本 (https://www.kaggle.com/kratisaxena/stock-market-technical-indicators-visualization) 显示了 20 个技术指标。其次，要始终获得相同的结果，最简单的方法是设置一个 numpy 种子，使用 np.random.seed(0) 或您喜欢的任何整数来代替 0。

【讨论】：