Прогнозирование курса акций с использованием искусственной рекуррентной нейронной сети

В предыдущей части мы понимаем AI, ML, неконтролируемое обучение, контролируемое обучение и некоторые этапы рабочего процесса машинного обучения. Итак, теперь, в этой части, мы поймем следующие шаги: Выбор модели, модели обучения и т. Д. Рабочего процесса машинного обучения.
Шаг 3: Выберите модель
Существуют различные модели машинного обучения, которые используются для разных целей, например, для обработки разных типов данных, таких как текст, изображения и т. Д.
Здесь у нас есть данные в форме временных рядов, поэтому для работы с этим типом данных мы используем модель LSTM (Long Short-TimeMemory).
Давайте создадим модель LSTM с помощью API последовательной модели.
Чтобы добавить слой, просто создайте слой с помощью API слоя Keras, а затем передайте слой с помощью функции add (), как указано ниже:
Чтобы добавить первый слой LSTM, мы создаем слой с 50 ячейками, функцией активации «Relu», входной формой в соответствии с размером входных данных и возвращаемыми последовательностями. Истина, если следующий слой модели также является слоем LSTM, а затем мы добавляем это слой к модели с помощью метода add ().

Теперь добавьте слой исключения (чтобы предотвратить переоснащение нейронных сетей) с коэффициентом отсева 20% (0,2).

После этого мы добавляем еще два слоя LSTM как LSTM Layer-Dropout Layer-LSTM Layer.

Наконец, добавляем выходной слой или плотный слой с 1 ячейкой.

После создания модели вы можете настроить ее для обучения с потерями и метриками, используя метод compile ().

Здесь мы устанавливаем параметры: среднеквадратичную ошибку как функцию потерь, «Алгоритм оптимизации Адама» как оптимизатор и среднеквадратичную ошибку как метрики.
Мы можем напечатать строковое резюме сети, используя метод summary (), как показано на рисунке N.

Шаг 4: модель обучения
На этом этапе мы используем данные (данные обучения) для обучения нашей модели. Обучает модель для фиксированного количества эпох с помощью метода fit ().
Здесь мы обучаем модель со 100 эпохами, размером пакета 64 и случайным образом имеет значение False, потому что наши данные находятся в формате временных рядов, поэтому мы не хотим перемешивать обучающие данные во время обучения.

Шаг 5: оценка
После обучения модели ее необходимо протестировать на тестовом наборе данных, поэтому мы разделяем данные на втором этапе машинного обучения. В большинстве моделей мы используем функцию Assessment (), чтобы проверить эффективность модели.
Но в нашем случае мы не используем эту функцию. Мы вычисляем среднеквадратичную ошибку и оценку R2 для тестового набора данных.