这是一个创建于 2561 天前的主题，其中的信息可能已经有所发展或是发生改变。
目前大概有 100 多个相关的数据，比如股指，货币发行量等，想预测七天利率，用过 SVR，误差在 10%范围内准确率并不高，于是想考虑神经网络，不过目前对 tensorflow/tflearn 仍不熟练，不知道该加哪些层，用过线性回归，效果也不理想，目前用了个网上找到的代码如下:
net = tflearn.input_data([None, 178])
net = tflearn.fully_connected(net, 64, activation='linear', weight_decay=0.0005)
net = tflearn.fully_connected(net, 1, activation='linear')
net = tflearn.regression(net, optimizer= tflearn.optimizers.AdaGrad(learning_rate=0.01, initial_accumulator_value=0.01), loss='mean_square', learning_rate=0.05)
model = tflearn.DNN(net, tensorboard_verbose=0)
然而上述模型准确率更低，不知道该如何改进，使用 RNN,lstm?还是说神经网络并不适合这方面？
7 条回复 • 2017-11-12 20:40:36 +08:00
 |
1
kuhung 2017-11-11 21:53:14 +08:00 via Android
一般多做特征，多交叉验证是比较明朗的。
|
 |
2
ttxxyy112233 OP @kuhung cross validation 在 regression 中也可以用吗？我以为只有 classification 可以用。请问这些层应该怎么改进呢?
|
|
3
kuhung 2017-11-11 22:56:57 +08:00 via Android
@ttxxyy112233 交叉验证，回归和分类都可以用。现在谈改进模型，我认为不合适。做好特征、在基分类器（如逻辑回归）提升一定效果后，再来调模型不迟。若硬要调，只能一点点试。结构这些，有时候得看数据。不变结构，调参数，那还是看 CV 一点点调。
|
 |
4
dbsquirrel 2017-11-12 14:39:44 +08:00 via iPhone
上 cnn 试试？ 或者你可以参考下这个？ http://mp.weixin.qq.com/s/X7ISLRMy5cddpmO5mev4MA
|
|
5
ttxxyy112233 OP @dbsquirrel 十分感谢！
|
 |
6
LiToon 2017-11-12 18:33:56 +08:00 via iPhone
100 条数据就不要用神经网络了，容易过拟合
|
|
7
ttxxyy112233 OP @LiToon 数据大概有三千多天的 可能影响的因子有 100 多个
|
Select Language