Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejemplos NN PDF
Ejemplos NN PDF
Índice
1. LSTM 2
1.1. Predicción de series temporales univariantes . . . . . . . . . . . . . . 2
1.2. Predicción de series temporales multivariantes . . . . . . . . . . . . . 3
1.3. Predicción de series temporales con paso múltiple . . . . . . . . . . . 4
Referencias 5
1
Ejemplos NN 2
1. LSTM
Long Short Term Memory networks (LSTM) son un tipo de redes neuronales re-
currentes capaces de aprender dependencias a largo plazo. Su particularidad es que,
al poder recordar información en un largo período de tiempo, pueden resolver con
mayor facilidad los problemas encontrados con las redes neuronales recurrentes con-
vencionales en amplios campos, como la traducción automática o el reconocimiento
de voz. No obstante, para poder emplear las LSTM networks, necesitamos tener en
cuenta algunas consideraciones y realizar algunos cambios. Mediante diversos ejem-
plos, aprenderemos a aplicar LSTM networks para la predicción de series temporales
univariantes y multivariantes; así como empleando múltiples pasos.
- Keras asume que los datos están divididos en input y output. En un problema
de series temporales, usamos el resultado del último período de tiempo (t-1) como
el input, y del presente (t) como el output. Para ello, empleamos la función shift(),
incluida en la biblioteca Pandas.
- Los datos estacionarios son más fáciles de tratar que los dependientes del tiempo.
Por ello, eliminamos la tendencia de nuestra serie temporal restando los datos de t
y t-1, eliminando así la dependencia temporal de nuestra serie. Lógicamente, luego
revertiremos los cambios.
- Por defecto, las LSTM networks usan como función de activación la tangente
hiperbólica. Por ello, aplicamos una escala en nuestro dataset tal que nuestros datos
estén comprendidos en el intervalo [-1, 1].
Un grupo de datos es un número jo de columnas del training dataset que dene
cuántos patrones procesar antes de actualizar los pesos de la red.
Para aplicar LSTM necesitamos una matriz con las dimensiones [muestras : pasos
de tiempo : características], donde las muestras son observaciones independientes del
dominio (normalmente un número mucho menor que el total). Entonces, editamos
nuestro dataset para tener esta misma estructura.
2
Ejemplos NN 3
3
Ejemplos NN 4
Primero, preparamos los datos de la misma manera que en el caso anterior (di-
vidimos en input y output, convertimos los datos a estacionarios, normalizamos los
datos y aplicamos la escala, separamos en training y test dataset...).
Usaremos de nuevo el dataset de las ventas de champú, pero, en este caso, dadas
las ventas en los tiempos (t-1, t-2,...,t-n), tendremos que predecir las ventas de los
4
Ejemplos NN 5
Referencias