哪些神经网络架构可以解决我的分类问题？

Question

我是深度学习的新手，所以我需要一些建议。根据X，Y坐标和年，我的变量发生了变化。例如，根据“ x，y坐标”和变量“ b”根据“年”而变化的变量“ a”变化，并且根据两个变化，可变“ c”都会根据两个变化（x，y坐标和年）。我想创建一个时空预测模型。但是，变量“ c”不仅会影响目标变量“ t”，而且还会根据前2年的价值影响目标变量。在这种情况下，如何创建时空预测模型？哪些神经网络体系结构解决了我的分类问题？

import pandas as pd
data = {'x': [40.1, 50.1, 60.1, 70.1, 80.1, 90.1, 0, 300.1, 40.1, 50.1, 60.1, 70.1, 80.1, 90.1, 0, 300.1, 40.1, 50.1, 60.1, 70.1, 80.1, 90.1, 0, 300.1, 40.1, 50.1, 60.1, 70.1, 80.1, 90.1, 0, 300.1, 40.1, 50.1, 60.1, 70.1, 80.1, 90.1, 0, 300.1 ], 'y': [100.1, 110.1, 120.1, 130.1, 140.1, 150.1, 160.1, 400.1, 100.1, 110.1, 120.1, 130.1, 140.1, 150.1, 160.1, 400.1, 100.1, 110.1, 120.1, 130.1, 140.1, 150.1, 160.1, 400.1, 100.1, 110.1, 120.1, 130.1, 140.1, 150.1, 160.1, 400.1, 100.1, 110.1, 120.1, 130.1, 140.1, 150.1, 160.1, 400.1], 'a': [1.0, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0 ], 'b': [1, 1, 1, 1, 1, 1, 1, 1, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.9, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.3, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2, 0.2 ], 'c': [1.0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 0, 0, 0], 't': [1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 0, 0, 1, 0, 0, 1, 1, 1, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0 ], 'year': [2000, 2000, 2000, 2000, 2000, 2000, 2000, 2000, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2001, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2002, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2003, 2004, 2004, 2004, 2004, 2004, 2004, 2004, 2004]}   
df = pd.DataFrame(data)
df
        
         x        y      a    b      c   t  year
    0   40.1    100.1   1.0  1.0    1.0  1  2000
    1   50.1    110.1   0.0  1.0    1.0  1  2000
    2   60.1    120.1   1.0  1.0    1.0  1  2000
    3   70.1    130.1   1.0  1.0    0.0  0  2000
    4   80.1    140.1   0.0  1.0    0.0  0  2000
    5   90.1    150.1   0.0  1.0    0.0  0  2000
    6   0.0     160.1   0.0  1.0    0.0  0  2000
    7   300.1   400.1   0.0  1.0    0.0  0  2000
    8   40.1    100.1   1.0  0.5    1.0  0  2001
    9   50.1    110.1   0.0  0.5    0.0  1  2001
    10  60.1    120.1   1.0  0.5    1.0  0  2001
    11  70.1    130.1   1.0  0.5    0.0  0  2001
    12  80.1    140.1   0.0  0.5    0.0  1  2001
    13  90.1    150.1   0.0  0.5    0.0  1  2001
    14  0.0     160.1   0.0  0.5    1.0  0  2001
    15  300.1   400.1   0.0  0.5    0.0  0  2001
    16  40.1    100.1   1.0  0.9    1.0  0  2002
    17  50.1    110.1   0.0  0.9    0.0  1  2002
    18  60.1    120.1   1.0  0.9    0.0  1  2002
    19  70.1    130.1   1.0  0.9    0.0  1  2002
    20  80.1    140.1   0.0  0.9    1.0  0  2002
    21  90.1    150.1   0.0  0.9    1.0  0  2002
    22  0.0     160.1   0.0  0.9    0.0  1  2002
    23  300.1   400.1   0.0  0.9    0.0  0  2002
    24  40.1    100.1   1.0  0.3    1.0  0  2003
    25  50.1    110.1   0.0  0.3    0.0  1  2003
    26  60.1    120.1   1.0  0.3    0.0  1  2003
    27  70.1    130.1   1.0  0.3    0.0  1  2003
    28  80.1    140.1   0.0  0.3    0.0  0  2003
    29  90.1    150.1   0.0  0.3    0.0  1  2003
    30  0.0     160.1   0.0  0.3    1.0  0  2003
    31  300.1   400.1   0.0  0.3    1.0  0  2003
    32  40.1    100.1   1.0  0.2    1.0  0  2004
    33  50.1    110.1   0.0  0.2    0.0  0  2004
    34  60.1    120.1   1.0  0.2    0.0  0  2004
    35  70.1    130.1   1.0  0.2    0.0  1  2004
    36  80.1    140.1   0.0  0.2    1.0  1  2004
    37  90.1    150.1   0.0  0.2    0.0  0  2004
    38  0.0     160.1   0.0  0.2    0.0  0  2004
    39  300.1   400.1   0.0  0.2    0.0  0  2004

Answer 1

有时，问题不在于你使用什么模型，而在于你如何改变你的功能。您说您的目标取决于过去的特征值，因此您可以重新排列数据以反映这一点。

这是如何将三个连续的行连接成一行的方法。

X = df.drop("t", axis=1)
y = df["t"]

X = (
    pd.concat([X, X.shift(1), X.shift(2)], axis=1, keys=["t0", "t-1", "t-2"])
    .dropna()
)
y = y.iloc[2:]

>>> X.head()
    t0  t0  t0  t0  t0  t0      t-1 t-1 t-1 t-1 t-1 t-1     t-2 t-2 t-2 t-2 t-2 t-2
    x   y   a   b   c    year   x   y   a   b   c   year    x   y   a   b   c   year
2   60.1    120.1   1.0 1.0 1.0 2000    50.1    110.1   0.0 1.0 1.0 2000.0  40.1    100.1   1.0 1.0 1.0 2000.0
3   70.1    130.1   1.0 1.0 0.0 2000    60.1    120.1   1.0 1.0 1.0 2000.0  50.1    110.1   0.0 1.0 1.0 2000.0
4   80.1    140.1   0.0 1.0 0.0 2000    70.1    130.1   1.0 1.0 0.0 2000.0  60.1    120.1   1.0 1.0 1.0 2000.0
5   90.1    150.1   0.0 1.0 0.0 2000    80.1    140.1   0.0 1.0 0.0 2000.0  70.1    130.1   1.0 1.0 0.0 2000.0

您现在可以拟合任何分类模型。我选择了 sklearn 中的一个简单的逻辑回归器。

from sklearn.linear_model import LogisticRegression

clf = LogisticRegression()
clf.fit(X, y)

>>> clf.score(X, y)
0.7368421052631579

相同模型在纯数据上的得分 0.625，添加额外的时间步得分 0.8108。

我并不是说这是唯一的方法，但确实值得考虑。

有关更多详细信息，您可以阅读 https://machinelearningmastery.com/basic -feature-engineering-time-series-data-python/。