一维CNN的输入形状

Question

我是机器学习的初学者。虽然，这个问题类似于1,2,3，但我在为我的数据选择输入形状时真的很困惑。我在时间序列数据上使用1-D CNN。数据的维度是（6400,4）。有4个特征（列），其中一个是目标变量。拆分后：

dim(xtrain) -> 5000, 3
dim(ytrain) -> 5000, 1
dim(xtest) -> 1400, 3
dim(ytest) -> 1400, 1

我在为CNN选择输入形状时感到困惑。这就是我所尝试的（我一直保持输入shape=c（3，1））：

model = keras_model_sequential() %>%
  layer_conv_1d(filters = 64, kernel_size = 2,
                input_shape = c(3, 1), activation = "relu") %>%
  layer_max_pooling_1d(pool_size = 2) %>%
  layer_flatten() %>%
  layer_dense(units = 32, activation = "relu") %>%
  layer_dropout(rate = 0.2) %>%
  layer_dense(units = 1, activation = "linear")

xtrain <- as.matrix(train[, c(1, 2, 3)])
ytrain <- as.matrix(train[, c(4)])
xtest = as.matrix(test[, c(1, 2, 3)])
ytest = as.matrix(test[, c(4)])

# Transforming 2-D matrix into 3-D matrix
xtrain = array(xtrain, dim = c(nrow(xtrain), 3, 1))
xtest = array(xtest, dim = c(nrow(xtest), 3, 1))

# fitting model
model %>% fit(xtrain, ytrain, epochs = 50, batch_size = 128, verbose = 1, validation_split = 0.20)

这执行得很好，但我不确定它是否正确。请告诉我这是否是设置输入形状的正确方法。

Answer 1

你在那里做了一个移动平均线的类比。最后，这一切都取决于你想要实现什么以及你的时间序列的性质。

假设内核权重为c（0.3,0.7），时间序列为c（1.2,1.3,1.25）。

内核将执行2维向量：

a = c( 0.3 * 1.2 + 0.7*1.3 , 0.3 * 1.3 + 0.7*1.25)

你们可以在这里看到移动平均线的相似性，然后你们可以应用最大值并依赖它。在本例中，它将返回a[1]。

现在，如果你相信你可以用几乎线性的变换从时间序列中提取所有的东西（忽略模型的其余部分），那么没关系。但是如果你相信在你的短时间序列中可能有一些非线性关系，也许试试RNN甚至LSTM。

在技术视图中，如果您有instance\u 1=（1,2,3,4），instance\u 2=（2,3,4,5）等等，那么您需要进行重叠以创建一个目标变量，我认为您以某种方式做到了这一点。再次取决于你在追求什么。