Я хотел бы спрогнозировать процентную ставку, и у меня есть некоторые важные факторы, такие как фондовый индекс и количество денежной массы, что-то в этом роде. Количество факторов может быть до 200.
Например, обучающие данные, такие как X, содержат факторы, а y - процентная ставка, которую я хочу обучать и прогнозировать.
factor1 factor2 factor3 factor176 factor177 factor178
X= [[ 2.1428 6.1557 5.4101 ..., 5.86 6.0735 6.191 ]
[ 2.168 6.1533 5.2315 ..., 5.8185 6.0591 6.189 ]
[ 2.125 4.7965 3.9443 ..., 5.7845 5.9873 6.1283]...]
y= [[ 3.5593]
[ 3.014 ]
[ 2.7125]...]
Итак, я хочу использовать tensorflow / tflearn для обучения этой модели, но я действительно не знаю, какой именно метод мне выбрать для выполнения регрессии. Я пробовал LinearRegression от tflearn раньше, но результат не так хорош.
На данный момент я просто использую код, который нашел в Интернете.
net = tflearn.input_data([None, 178])
net = tflearn.fully_connected(net, 64, activation='linear',
weight_decay=0.0005)
net = tflearn.fully_connected(net, 1, activation='linear')
net = tflearn.regression(net, optimizer=
tflearn.optimizers.AdaGrad(learning_rate=0.01, initial_accumulator_value=0.01),
loss='mean_square', learning_rate=0.05)
model = tflearn.DNN(net, tensorboard_verbose=0, checkpoint_path='tmp/')
model.fit(X, y, show_metric=True,
batch_size=1, n_epoch=100)
Результатом является точность примерно 50% при диапазоне ошибок ± 10%. Пытался увеличить окно до 7 дней, но результат все равно плохой. Итак, я хочу знать, какой дополнительный слой я могу использовать, чтобы улучшить эту сеть.
