lstm二分类预测python

以下是使用LSTM进行二分类预测的Python代码示例：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 构造训练数据
data = np.array([[0.1, 0.2, 0.3], [0.2, 0.3, 0.4], [0.3, 0.4, 0.5], [0.4, 0.5, 0.]])
target = np.array([0, 0, 1, 1])

# 构建LSTM模型
model = Sequential()
model.add(LSTM(4, input_shape=(3, 1)))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(data.reshape((4, 3, 1)), target, epochs=100, batch_size=1, verbose=2)

# 预测新数据
new_data = np.array([[0.15, 0.25, 0.35], [0.25, 0.35, 0.45]])
predictions = model.predict(new_data.reshape((2, 3, 1)))
print(predictions)

该代码使用Keras库构建了一个LSTM模型，用于对输入数据进行二分类预测。首先，我们构造了一个包含4个样本的训练数据集，每个样本包含3个特征。然后，我们定义了一个包含4个LSTM单元的LSTM层，并将其添加到模型中。接下来，我们添加了一个具有sigmoid激活函数的全连接层，并将其编译为二元交叉熵损失函数和Adam优化器。最后，我们使用训练数据拟合模型，并使用新数据进行预测。