python关于lstm代码案例
时间: 2023-07-02 19:13:21 浏览: 48
下面是一个使用LSTM模型进行股票预测的Python代码案例:
```python
# 导入必要的库
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout
# 加载数据
data = pd.read_csv('data.csv')
data = data.dropna()
data = data.iloc[:, 1:2].values
# 数据预处理
scaler = MinMaxScaler(feature_range=(0,1))
data = scaler.fit_transform(data)
train_size = int(len(data) * 0.7) # 训练数据集占总数据集的比例
test_size = len(data) - train_size
train, test = data[0:train_size,:], data[train_size:len(data),:]
def create_dataset(dataset, look_back=1):
dataX, dataY = [], []
for i in range(len(dataset)-look_back-1):
a = dataset[i:(i+look_back), 0]
dataX.append(a)
dataY.append(dataset[i + look_back, 0])
return np.array(dataX), np.array(dataY)
look_back = 60 # 每个样本包含前60天的数据
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)
# 构建LSTM模型
model = Sequential()
model.add(LSTM(50, return_sequences=True, input_shape=(look_back, 1)))
model.add(Dropout(0.2))
model.add(LSTM(50, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(50))
model.add(Dropout(0.2))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
# 训练模型
model.fit(trainX, trainY, epochs=100, batch_size=32, verbose=2)
# 预测数据
trainPredict = model.predict(trainX)
testPredict = model.predict(testX)
trainPredict = scaler.inverse_transform(trainPredict)
trainY = scaler.inverse_transform([trainY])
testPredict = scaler.inverse_transform(testPredict)
testY = scaler.inverse_transform([testY])
# 可视化结果
import matplotlib.pyplot as plt
trainPredictPlot = np.empty_like(data)
trainPredictPlot[:, :] = np.nan
trainPredictPlot[look_back:len(trainPredict)+look_back, :] = trainPredict
testPredictPlot = np.empty_like(data)
testPredictPlot[:, :] = np.nan
testPredictPlot[len(trainPredict)+(look_back*2)+1:len(data)-1, :] = testPredict
plt.plot(scaler.inverse_transform(data))
plt.plot(trainPredictPlot)
plt.plot(testPredictPlot)
plt.show()
```
在代码中,我们首先加载了一个股票数据集,并进行了数据预处理,其中使用了MinMaxScaler对数据进行了归一化处理。然后,我们将数据集分为训练集和测试集,每个样本包含前60天的数据。接下来,我们使用Keras中的LSTM层构建了一个LSTM模型,并通过fit()函数训练了模型。最后,我们使用模型对训练集和测试集进行了预测,并将结果可视化出来,可以看到我们的模型对股票趋势的预测效果还是不错的。