问LSTM特征选择过程

EN

我们需要用LSTM模型实现一个时间序列问题。

但是，在实现相同功能的同时，我面临的主要挑战是功能选择问题。因为我们的数据集包含2300个观测和600个特征。而且我们已经知道有那么多的特性是完全不相关的。但是，没有人有领域的专门知识来确认哪个特性是相关的。

我和…试过了

1. 所有600个特性，X形变成，2280×20×600 (如果时间步长为20)。准确度很差，为53-55%。
2. 将单个列视为预测器(我们希望预测的特性) X的形状变成，2280×20×1(如果时间步长为20)。准确度也很差。
3. 此外，尝试与主成分分析，使所有600个特征减少到20个特征保留了大约98%的数据，但没有看到任何改进。
4. 最后，我经历了一个非常漫长的过程。在600个特征中，每个特征都分别使用LSTM算法进行了测试。选择了给出最佳效果的特征。选择的特征与599个特征中的其余部分分别配对。然后，我选择最好的一对，给出最好的输出。c.最好的一对将单独试用rest 598，此过程将继续.

在此基础上，到目前为止，我们得到了6个特征，准确率提高到65%。

我的问题是，在时间序列问题中，这是唯一可以进行特征选择的方法吗？

对于任何非时间序列问题，有很多种方法来进行特征选择。在时间序列问题上，做特征选择的最佳方法是什么？

我们再举一个例子..。

假设我们开发了带有10个预测器/特性的LSTM模型。该模型工作良好，精度达80%。

现在，又添加了100个与导出目标y无关的特性。

因此，准确性将下降，因为模型将集中在120个预测/特征，其中100不相关。

那么，我们将如何消除100个不必要的功能呢？