问基于Keras调谐器的时间序列贝叶斯优化

EN

最后，提出了一种基于前向验证的时间序列神经网络模型的贝叶斯超参数优化方法。您可以使用代码这里找到一个要点。

我使用了一些帮助函数来验证这个詹森·布朗利书的前进验证。

基本情况如下：

• 原始时间序列数据：

• 定义一个函数，将您的时间序列数据集转换为一种受监督的数据集格式，另一种用于火车测试拆分(按sklearn.model_selection.TimeSeriesSplit所做的按时间顺序排序)。

• 定义您的评估度量，在这种情况下是根均方误差。
• 我们还增加了一个差分函数，如果我们想使时间序列平稳(通过差分，我们可以减少趋势和/或平稳性)。
• 定义前进验证函数(walk_forward_validation和repeat_evaluate)
• 定义keras调谐器贝叶斯优化器，基于build_model函数，在这种情况下包含LSTM网络，隐藏层单元和学习速率作为可优化的超参数。
• 定义将用于前进训练和评估步骤的model_fit函数。

• 最后，找出评价的度量值和std。

请记住:这是一个关于如何使用keras调谐器用于时间序列的概念验证示例。可以做进一步的分析，以改进预测。