1
$ \ $请将BeginGroup

在时间序列预测,我们有向量流。有对占这些向量之间的时间模式的不同方法。

有两家,我正在考虑。一个LSTM或增加功能空间。什么是两者之间的区别?最明显的对我是一个LSTM是更具表现力,如果仿照得当可以得到更高的精度。

| 改善这个问题 | |
$ \ $端基

    2个回答2

    1
    $ \ $请将BeginGroup

    LSTM是神经网络,其用于将输入获悉X的输出y。在附加到细胞神经网络或的MLP它认为当你的下一个输入x馈入网络一个hiddenstate H(其由prvious输入影响)。

    增强的功能空间是你以前的训练技术的LSTM(以增加你的数据集,以generatre更多的数据,让LSTM更好地推广到新的数据)。在图像识别领域,您可以40度旋转的图像,以产生一个新的。这个过程被称为数据扩张。这种方法也appliable时间序列。

    总结:第一,你开始,以提高预测精度,增强您的输入特征空间,然后用augmeneted训练数据集训练你LSTM。

    | 提高这个答案 | |
    $ \ $端基
    • $ \ $请将BeginGroup 我不认为这个答案。 $ \ $端基-回声 4月9日在'18 19:20
    • 1
      $ \ $请将BeginGroup 此答案第一区分和涉及这两个术语LSTM和特征空间增强。如需更详细的回答,请提供更多的信息(例如纸张,以每学期)。 $ \ $端基-user3352632 4月10日在'18 7:16
    • 1
      $ \ $请将BeginGroup 一切@ user3352632说的是正确的,是有道理的,虽然:P $ \ $端基-安德烈亚斯Storvik Strauman 4月11日在'18 7:01
    0
    $ \ $请将BeginGroup

    我只是在最近Bengio纸阅读,它是很明显的。他说,有一个短期记忆和增强功能空间之间的零个差异。但是,如果你想捕捉长期依赖没有吹起来的功能空间,你想使用的LSTM,因为传统方法不能动态学习“记忆”的东西。

    | 提高这个答案 | |
    $ \ $端基
    • $ \ $请将BeginGroup 正确!但是,埃尔曼-RNN(香草)在理论上可以学习的长期依赖,以及一个LSTM,作为Bengio也有在纸上。问题是,它是超参数非常敏感,因此它们调整非常困难。 $ \ $端基-安德烈亚斯Storvik Strauman 4月8日在'18 21:12
    • $ \ $请将BeginGroup 不,等等是什么?你所说的“增强功能空间”是什么意思? $ \ $端基-安德烈亚斯Storvik Strauman 4月8日在'18 21:13
    • $ \ $请将BeginGroup 矢量级联:<矢量T> <矢量T-1> <矢量T-2> $ \ $端基-回声 4月8日在'18 21:49
    • 1
      $ \ $请将BeginGroup 号可能。我不明白你怎么能比较串联载体和LSTM? $ \ $端基-安德烈亚斯Storvik Strauman 4月11日在'18 6:02
    • 1
      $ \ $请将BeginGroup 通过LSTM你的意思是长短期记忆回归神经网络,对不对? $ \ $端基-安德烈亚斯Storvik Strauman 4月11日在'18 7:02

    你的答案

    点击“发表你的答案”,你同意我们的服务条款隐私政策Cookie政策

    不是你要找的答案?浏览其他问题标签必威英雄联盟要么必威电竞问你自己的问题