如何让使用RNN - LSTM使用python的预测更加一致？

Question

我已经建立了一套python脚本。这些脚本执行了以下任务

1. 根据用户输入的信息（股票代码，开始日期，结束日期等）获取股票价格信息。
2. 根据股票价格信息建立并训练模型。
3. 预测下一个预测价格和相关的RMSE（均方根误差）。
4. 将输出和用户输入一起写入一个xlsx文件。

到目前为止，一切都很好，它以一种体面的方式实现了上述所有功能。然而，每次我在执行脚本(2)和(3)时，如果数据和用户输入相同，我得到的预测值就会不同。我知道这些都是预测，即使所有因素都相同，预测值也会有所不同。

比如说，如果试验#1的预测值是100，那么试验#2的预测值可能是105，试验#3的预测值是95，以此类推。这种（正负）5的变化是可以接受的。但是预测值不能在80到120的范围内。

我的问题是 如何使预测值的变化最小化？

先谢谢你，Sanjay S

这是我正在使用的一个示例代码。

from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM, Dropout
from tensorflow.python.util import deprecation

model = Sequential()
lstm1 = LSTM(units=60, return_sequences=True, input_shape = (x_train.shape[1],1))
lstm2 = LSTM(units=60, return_sequences=True)
lstm3 = LSTM(units=60)
dropOut = Dropout(0.2)
dense = Dense(units=1)

model.add(lstm1)
model.add(dropOut)

model.add(lstm2)
model.add(dropOut)

model.add(lstm2)
model.add(dropOut)

model.add(lstm3)
model.add(dropOut)

model.add(dense)
model.compile(optimizer='adam', loss='mean_squared_error')

Answer 1

如果你的模型所预测的数值差异很大，那么说明你的模型训练得不够好。请进一步训练你的模型，增加纪元的数量，并为你的模型多加几层。

另外我建议你在模型的各层中加入适当的激活函数。

Answer 2

首先，LSTM不足以预测股价，原因有很多，即使有20个技术指标，如这个Kaggle笔记本所示(https:/www.kaggle.comkratisaxenastock-market-technical-indicators-visualization).其次，为了持续获得相同的结果，最简单的方法是设置一个numpy种子，使用 np.random.seed(0)或任何你喜欢的整数来代替0。