LSTM进行情感分类

原链接：https://blog.csdn.net/u012735708/article/details/82769711

1.read_raw()函数模块中，主要是写了关于数据清洗的内容。
dataset[‘pollution’].fillna(0, inplace=True) 用零填充空位，然后其他的就是指定一下列名。

2.def parse(x)模块中，用于返回时间戳。
返回了 datetime.strptime(x, ‘%Y %m %d %H’)，之前要from datatime import datatime一下。

3.drow_pollution() 模块中，用于画图，画了所有变量随时间变化的图像。

values = dataset.values
    # specify columns to plot
    groups = [0, 1, 2, 3, 5, 6, 7]
    i = 1
    # plot each column
    pyplot.figure(figsize=(10,10))
    for group in groups:
        pyplot.subplot(len(groups), 1, i)
        pyplot.plot(values[:, group])
        pyplot.title(dataset.columns[group], y=0.5, loc='right')
        i += 1
    pyplot.show()

4.series_to_supervised(）模块中，将需要预测的当前时刻（t）的天气条件特征移除

5.cl_to_sl()模块中，用第一年数据进行训练，然后利用剩下的4年进行评估。返回值为：
reframed = series_to_supervised(scaled, 1, 1)

6.train_test模块中根据时间划分了训练集和验证集。再利用reshape将数据变成LSTM训练的样式：[samples, timesteps, features]

7.fit_network()模块中构建了LSTM网络进行训练：
首先，model设置为Sequential()模型。
然后，model添加LSTM层：LSTM(50, input_shape=(train_X.shape[1], train_X.shape[2]))，因为是第一层所以要指定输入的shape，隐藏层共有50个神经元。
第三步，model添加输出层，Dense(1)。这成为了一个回归问题。
第四步，model.compile(loss=‘mae’, optimizer=‘adam’)，损失函数采用Mean Absolute Error(MAE)，优化算法采用Adam
之后就可以进行训练了：history = model.fit(train_X, train_y, epochs=50, batch_size=72, validation_data=(test_X, test_y), verbose=2, shuffle=False) 这里的参数verbose：日志显示，0为不在标准输出流输出日志信息，1为输出进度条记录，2为每个epoch输出一行记录；shuffle：布尔值或字符串，一般为布尔值，表示是否在训练过程中随机打乱输入样本的顺序。这里不打乱。batch_size：整数，指定进行梯度下降时每个batch包含的样本数。训练时一个batch的样本会被计算一次梯度下降，使目标函数优化一步。具体可以看这里：https://www.jianshu.com/p/9ba27074044f