详细内容或原文请订阅后点击阅览
使用 Keras 预测太阳黑子频率
在这篇文章中，我们将研究如何使用基础 R 附带的太阳黑子数据集进行时间序列预测。太阳黑子是太阳上的黑点，与较低的温度有关。我们的文章将重点介绍如何将深度学习应用于时间序列预测，以及如何在此领域正确应用交叉验证。
来源:RStudio AI博客使用深度学习预测太阳黑子
在这篇文章中，我们将研究如何使用 R 基础版附带的太阳黑子数据集进行时间序列预测。太阳黑子是太阳上的黑点，与较低的温度有关。这是 NASA 拍摄的一张显示太阳现象的图片。
太阳黑子我们使用的是数据集的月度版本 sunspots.month（也有年度版本）。它包含 265 年（从 1749 年到 2013 年）的每月太阳黑子数量数据。
sunspots.month
由于周期中存在明显的短期高变异性和长期不规则性，因此预测此数据集具有挑战性。例如，低频周期达到的最大振幅差异很大，达到最大低频周期高度所需的高频周期步骤数也不同。
我们的文章将重点关注两个主要方面：如何将深度学习应用于时间序列预测，以及如何在此领域正确应用交叉验证。对于后者，我们将使用允许对时间序列数据进行重采样的 rsample 包。对于前者，我们的目标不是达到最佳性能，而是展示使用循环神经网络对此类数据进行建模时的一般行动过程。
rsample循环神经网络
当我们的数据具有顺序结构时，我们使用循环神经网络 (RNN) 对其进行建模。
截至目前，在 RNN 中，最成熟的架构是 GRU（门控循环单元）和 LSTM（长短期记忆）。今天，我们不要着重讨论它们的特殊之处，而是讨论它们与最精简的 RNN 的共同之处：基本循环结构。
Goodfellow 等人库
( )ts