我们如何使使用 python 的 RNN - LSTM 的预测更加一致？

Question

我构建了一组 python 脚本。这些脚本执行以下任务 -

根据用户输入（股票代码、开始日期、结束日期等）获取股票价格信息
根据股票价格信息构建和训练模型
预测下一个预测价格和相关的 RMSE（均方根误差）
将输出与用户输入一起写入 xlsx 文件

到目前为止一切顺利，它以体面的方式完成了上述所有工作。但是，每次我使用相同的数据和用户输入执行脚本 (2) 和 (3) 时，我都会得到不同的预测值。我知道这些是预测，即使所有因素保持不变，预测值也会有所不同。

比如说，如果trial#1的pred值为100，那么trial#2的pred值为105，trial#3的pred值为95，依此类推。 (plus/minus) 5 的这种变化是可以接受的。但是预测值不能在80到120之间。

我的问题是 - 如何最小化预测值的变化？

提前致谢，桑杰

这是我正在使用的示例代码。

from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout
from tensorflow.python.util import deprecation

model = Sequential()
lstm1 = LSTM(units=60, return_sequences=True, input_shape = (x_train.shape[1],1))
lstm2 = LSTM(units=60, return_sequences=True)
lstm3 = LSTM(units=60)
dropOut = Dropout(0.2)
dense = Dense(units=1)

model.add(lstm1)
model.add(dropOut)

model.add(lstm2)
model.add(dropOut)

model.add(lstm2)
model.add(dropOut)

model.add(lstm3)
model.add(dropOut)

model.add(dense)
model.compile(optimizer='adam', loss='mean_squared_error')

Answer 1

如果您的模型预测值的变化很大，则表明您的模型训练得不够好。请通过增加轮数来进一步训练您的模型，并为您的模型添加更多层。

此外，我建议您为模型的层添加适当的激活函数。

Answer 2

首先，出于多种原因，LSTM 不足以预测股票价格，即使有 20 个技术指标，如 Kaggle 笔记本 (https://www.kaggle.com/kratisaxena/stock-market-technical-indicators-visualization) 所示。其次，为了始终如一地获得相同的结果，最简单的方法是设置一个 numpy 种子，使用 np.random.seed(0) 或您喜欢的任何整数来代替 0.

我们如何使使用 python 的 RNN - LSTM 的预测更加一致？

How do we make the predictions using RNN - LSTM using python more consistent?

python

machine-learning

lstm

tensorflow

recurrent-neural-network