模式识别分类 虚拟货币价格起起伏伏，你怕了吗？(4)

在模型拟合后，我们想从中抽样出 y。我们循环 100 次并计算每一步的预测值的均值和标准差（标准差越高，预测置信度就越低）。

  preds = []
for i in range(100):
   sampled_reg_model = guide(X_test)
   pred = sampled_reg_model(X_test).data.numpy().flatten()
   preds.append(pred)

现在有很多经典的经济预测度量方法，例如 MSE、MAE 或 MAPE，它们都可能会让人困惑——错误率低并不意味着你的模型表现得好，验证它在测试集上的表现也十分重要，而这就是我们做的工作。

使用贝叶斯模型进行为期 30 天的预测

从图中我们可以看到，预测效果并不够好。但是预测图中最后的几个跳变的形状很不错，这给了我们一线希望。继续加油！

在这个非常简单的模型进行实验后，我们想要尝试一些更有趣的神经网络。首先让我们利用 25 个带有线性激活的神经元的单隐层网络训练一个简单 MLP：

def get_model(input_size):
   main_input = Input(shape=(input_size, ), name='main_input')
   x = Dense(25, activation='linear')(main_input)
   output = Dense(1, activation = "linear", name = "out")(x)
   final_model = Model(inputs=[main_input], outputs=[output])
   final_model.compile(optimizer='adam',  loss='mse')
   return final_model

训练 100 个 epoch：

model = get_model(len(X_train[0]))
history = model.fit(X_train, Y_train,
             epochs = 100,
             batch_size = 64,
             verbose=1,
             validation_data=(X_test, Y_test),
             callbacks=[reduce_lr, checkpointer],
             shuffle=True)

其结果如下：

使用 Keras 神经网络进行为期 30 天的预测

我觉得这比简单的贝叶斯回归效果更差，此外这个模型不能得到确定性的估计，更重要的是，这个模型甚至没有正则化。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-70150-4.html