python 中使用 LSTM 进行疾病风险预测 - 输入形状问题
Disease risk prediction with LSTM in python - input shape problem
我是使用 python 进行机器学习的新手。我不知道如何重塑我的数据集以用作 LSTM 模型的输入，该模型将预测未来患病的风险。更具体地说，我的数据集如下所示：
enter image description here
PatientID
MeasurementDate
Parameter1
Parameter2
HasDisease
1
1/1/2021
106
1
0
1
1/2/2021
105,9
1
0
1
1/3/2021
107
1
1
2
2/1/2021
100
0
1
2
2/2/2021
100,5
0
1
2
2/3/2021
104
0
1
3
3/1/2021
97
1
0
3
3/2/2021
97
1
1
3
3/3/2021
97
0
1
4
4/1/2021
99
0
0
4
4/2/2021
109
1
0
4
4/3/2021
110
0
0
我应该如何重塑这个以用作 LSTM 中的输入并且看起来像 (batch_size、time_steps、seqeuence_len)？
我希望我的 LSTM 模型 return 类似于 PatientId :1
风险评分：80%
这意味着患者 1 有 80% 的概率在 3 个月后患病。
谢谢。
取每位患者的平均值。
我假设输入是参数 1 和参数 2。因此你的输入形状是 (num_rows, 1, 2)，你的 LSTM 输入形状应该是 LSTM(100, input_shape=(1, 124)
如果您想将此问题视为时间序列问题，则需要每个患者的数据更多。
一种方法是尝试使用可用数据训练 LSTM 模型来预测 Parameter1 和 Parameter2。另外，训练一个简单的二元分类模型。然后是预测参数和分类模型来定义目标 (HasDisease)。
谢谢。
我通过观看此视频成功获得了预期的结果
https://www.youtube.com/watch?v=CcGf_Uo7NMw&ab_channel=KnowledgeCenter
并将其调整为我的数据集。
批量大小作为患者数量
时间步长作为跟进次数
Sequence_len 作为输入的属性数。
它最终成为一个 nD 数组。
我是使用 python 进行机器学习的新手。我不知道如何重塑我的数据集以用作 LSTM 模型的输入，该模型将预测未来患病的风险。更具体地说，我的数据集如下所示：
enter image description here
| PatientID | MeasurementDate | Parameter1 | Parameter2 | HasDisease |
|---|---|---|---|---|
| 1 | 1/1/2021 | 106 | 1 | 0 |
| 1 | 1/2/2021 | 105,9 | 1 | 0 |
| 1 | 1/3/2021 | 107 | 1 | 1 |
| 2 | 2/1/2021 | 100 | 0 | 1 |
| 2 | 2/2/2021 | 100,5 | 0 | 1 |
| 2 | 2/3/2021 | 104 | 0 | 1 |
| 3 | 3/1/2021 | 97 | 1 | 0 |
| 3 | 3/2/2021 | 97 | 1 | 1 |
| 3 | 3/3/2021 | 97 | 0 | 1 |
| 4 | 4/1/2021 | 99 | 0 | 0 |
| 4 | 4/2/2021 | 109 | 1 | 0 |
| 4 | 4/3/2021 | 110 | 0 | 0 |
我应该如何重塑这个以用作 LSTM 中的输入并且看起来像 (batch_size、time_steps、seqeuence_len)？ 我希望我的 LSTM 模型 return 类似于 PatientId :1 风险评分：80% 这意味着患者 1 有 80% 的概率在 3 个月后患病。 谢谢。
取每位患者的平均值。
我假设输入是参数 1 和参数 2。因此你的输入形状是 (num_rows, 1, 2)，你的 LSTM 输入形状应该是 LSTM(100, input_shape=(1, 124)
如果您想将此问题视为时间序列问题，则需要每个患者的数据更多。 一种方法是尝试使用可用数据训练 LSTM 模型来预测 Parameter1 和 Parameter2。另外，训练一个简单的二元分类模型。然后是预测参数和分类模型来定义目标 (HasDisease)。
谢谢。
我通过观看此视频成功获得了预期的结果 https://www.youtube.com/watch?v=CcGf_Uo7NMw&ab_channel=KnowledgeCenter 并将其调整为我的数据集。 批量大小作为患者数量 时间步长作为跟进次数 Sequence_len 作为输入的属性数。 它最终成为一个 nD 数组。