机器学习多输出模型实现 多输入单输出模型

基于贝叶斯Bayes算法优化LSTM长短期记忆网络的多输入单输出回归预测模型思路框架

前言

前面在【MATLAB第8期】讲解了基于贝叶斯Bayes算法优化LSTM长短期记忆网络的时间序列预测模型，即单输入数据时间序列预测，见本人知乎主页。

思路

本次结合上文说的原理，简要说明如何根据单输入时间序列数据，修改成多输入单输出回归预测模型。

• **1、**首先要理解的知识点在于，单列时间序列数据，实现预测也是需要人工构建输入输出关系，即在上篇文章提到的过的用滑动窗口（时间滞后）的形式，若滑动窗口为30，则相当于用前30个数据作为输入，后1个数据作为输出，从而构建输入输出之间的非线性映射关系。
  所以，第一要取消之前滑动窗口的参数，直接导入现成的目标数据（多输入单输出数据），即能满足数据输入和输出要求。
  **2.**其次就是数据处理方式，原代码数据是只针对一列数据进行归一或者标准化处理，那么在其调用函数中，包含循环算法，以及相关的数据处理公式，去套多输入单输出模型时，因数据结构有误，程序大概率会报错。

例如:

opt.dataPreprocessMode为数据预处理，'None'代表无处理，'Data Standardization'代表标准化处理

• 要理清，如果套入多输入单输出数据时，这里的数据预处理代码，究竟是要表达是基于全部的数据特征（所有列数据）进行预处理，还是对单列分别进行预处理。
  第1种情况是考虑对全部数据，包含输入和输出进行预处理，需要研究归一化公式怎么写，反归一化公式怎么写。 第2种情况跟平常一样，对训练集输入/
  训练集输出/测试集输入/测试集输出分别进行预处理，利用mapminmax、mapstd等函数进行。
• 3.实操结果（数据跟时间序列数据一样，只不过我设置滑动窗口为10，建立了10输入1输出的样本） 归一化和标准化都是考虑在-1到1之间，选用的是上述第2种情况进行处理。

预测结果：

训练数据拟合

测试数据拟合

全部数据拟合

本次将回归模型和时间序列模型一同打包。