如何为多对一二元分类 LSTM 准备数据？

Question

我有 38,000 名不同患者的时间序列数据集，其中包含他们 48 小时的生理数据和 30 个特征，因此每个患者都有 48 行（每小时）和最后的二元结果（0/1）仅第 48 小时，总训练集为 (38,000*48 = 1,824,000) 行。

根据我的理解，这是一个 Many-to-one LSTM binary classification，所以我的输入形状应该是 (38,000,48,30) (sample_size, time_steps, features) 并且 return_sequence 应该设置为 False 以 return 最后一个输出只有隐藏的神经元？

有人可以回顾一下我对此的理解吗？

谢谢。

Answer 1

是的，你基本上是对的：

输入的形状 = (patients, 48, 30)
目标形状 = (patients, 1)

您应该在 last LSTM 层中使用 return_sequences=False。（如果在最后一个 LSTM 之前有更多的循环层，请在其中保留 return_sequences=True）

Answer 2

是的，大多数情况下您是在正确的轨道上。请参阅下面的代码以更好地理解这一点。

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Bidirectional
from keras.metrics import binary_crossentropy

# vocab size
total_features = 30
no_of_pateints = 38,000
time_steps = 48


model = Sequential()

# you can also use Bidirectional layer to speed up the learning and reduce 
# training time and here you can keep return_sequence as true
# model.add(
    Bidirectional(LSTM(
        units=100, 
        input_shape=(no_of_patients, time_steps, total_features), 
        return_sequences=True
    )))
# return_sequence should be False if there is only one LSTM layer. Otherwise in case of multiple layers, 
the last layers should have return_sequence as False
model.add(LSTM(
    units=100, 
    input_shape=(no_of_patients, time_steps, total_features), 
    return_sequences=False 
    ))
model.add(Dense(2, activation='softmax'))
model.compile(
    loss=binary_crossentropy,
    optimizer='rmsprop',
    metrics=['accuracy']
)

如果您对以上代码有任何困惑或者需要更多解释，请告诉我

如何为多对一二元分类 LSTM 准备数据？

How to prepare data for a many to one binary classification LSTM?

keras

time-series

classification

lstm

many-to-one