python关于lstm代码案例

下面是一个使用LSTM模型进行股票预测的Python代码案例：

# 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。