也许这是一个愚蠢的问题，但当我用谷歌搜索时，我没有找到太多相关信息。
我有一个数据集，我用它进行回归，但是使用 FFNN 进行正常回归不起作用，所以我想为什么不尝试 LSTM，因为我的数据是时间相关的，我认为因为它是驾驶时来自车辆的 token ，所以数据是单调的，也许我可以在这种情况下使用 LSTM 进行回归来预测连续值(如果这没有意义，请告诉我)。
现在第一步是准备使用 LSTM 的数据，因为我会预测 future ，所以我认为我的目标(地面实况或标签)应该向上移动，对吗？
因此，如果我有一个 pandas 数据框，其中每一行都包含特征和目标(在行的末尾)，我假设特征应该保持在原来的位置，并且目标将向上移动一步，以便第一行中的特征将对应于第二行的目标(我错了吗)。
这样，LSTM 将能够根据这些特征预测 future 的值(value)。
我在互联网上没有找到太多相关信息，所以请您向我提供如何使用一些代码来做到这一点？
我也知道我可以使用pandas.DataFrame.shift来移动数据集，但我认为最后一个值将包含NaN!怎么处理这个问题？如果您向我展示一些示例或代码，那就太好了。
最佳答案
我们可能需要有关您正在使用的数据的更多信息。另外，我建议在开始使用 LSTM 之前从更简单的循环神经网络开始。这些网络的工作方式是您输入第一位信息，然后是下一位信息，然后是下一位信息，等等。假设当您输入第一位信息时，它发生在时间 t，然后在时间 t+1 馈送第二位信息...等等，直到时间 t+n。
您可以让神经网络在每个时间步输出一个值(因此在时间 t、t+1 输出一个值...t+n 在输入每个相应的输入后)。这是一个多对多的网络。或者，您可以让神经网络在提供所有输入后输出一个值(即在时间t+n输出该值)。这称为多对一网络。您需要什么取决于您的用例。
例如，假设您每 100 毫秒记录一次车辆行为，10 秒后(即第 100 个时间步)，您想要预测驾驶员受到酒精影响的可能性。在这种情况下，您将使用多对一网络，在后续时间步骤中放入后续车辆行为记录(第一个记录在时间 t ，然后下一个记录在时间 t+1等)，然后最后的时间步输出概率值。
如果你想在每个时间步后输出一个值，你可以使用多对多设计。也可以每 k 个时间步输出一个值。
关于pandas - 我应该转移数据集以将其用于 LSTM 回归吗？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/59374126/