時間特徵在深度學習中的表示問題

阿新 • • 發佈：2018-12-15

這幾天對於時間序列的預測，需要時間這一特徵值，月份，星期等等。對於這些時間序列特徵需要怎麼去刻畫和表示嗯？

one-hot方法
一個直觀想到的方法就是one-hot法，但是仔細考慮一下，one-hot真的適合表示時間序列嗎？
one-hot適用於的特徵應該是分類特徵，而且不同類別之間的距離是沒有差別的，比如紅黃藍三種顏色，漢字等等用one-hot表示是很好的。但是對於時間序列，5點和6點跟18點之間的距離明顯是不同的，所以用one-hot來度量的話，會損失非常多的資訊。
數字表示
那麼第二種能想到的方法就是用數字去表示，比如1代表1點，4代表4點等等，但是面臨的一個問題就是23點明明和0點距離很近，但是用這種方法會導致23點和0點距離太遠，造成一些誤差。

造成上述誤差的因素在於時間序列有周期性，比如一天的24小時，一週的7天等等，那麼我們將其做一個轉換，將其轉換成周期變數即可
$(c o s (2$

π 變量周期 ) , s

i n ( 2 π 變量周期 ) ) (cos(\frac{2\pi 變數}{週期}), sin(\frac{2\pi 變數}{週期}))

(c o s (\frac{2 π 變 量}{周 期}), s i n (\frac{2 π 變 量}{周 期}))

如上所示，將一個時間變數變成一個二維平面圓周上的點。這樣就能解決週期性因素。

參考文獻：

時間特徵在深度學習中的表示問題

這幾天對於時間序列的預測，需要時間這一特徵值，月份，星期等等。對於這些時間序列特徵需要怎麼去刻畫和表示嗯？ one-hot方法一個直觀想到的方法就是one-hot法，但是仔細考慮一下，one-hot真的適合表示時間序列嗎？ one-hot適用於的特徵應該是分類特徵，而且不同

深度學習中關於特徵

原地址：http://blog.csdn.NET/zouxy09/article/details/8775488 因為我們要學習的是特徵的表達，那麼關於特徵，或者說關於這個層級特徵，我們需要了解地更深入點。所以在說Deep Learning之前，我們有

深度學習中的數學與技巧(7)：特徵值和特徵向量的幾何意義、計算及其性質

一、特徵值和特徵向量的幾何意義特徵值和特徵向量確實有很明確的幾何意義，矩陣（既然討論特徵向量的問題，當然是方陣，這裡不討論廣義特徵向量的概念，就是一般的特徵向量）乘以一個向量的結果仍是同維數的一個向量。因此，矩陣乘法對應了一個變換，把一個向量變成同維數的另一個向量。

資深程序員帶你玩轉深度學習中的正則化技術（附Python代碼）！

c51 進行 ros batch num 簡單的 oat 深度學習 repr 目錄 1. 什麽是正則化？ 2. 正則化如何減少過擬合？ 3. 深度學習中的各種正則化技術： L2和L1正則化 Dropout 數據增強(Data augmentation) 提前停止(Ear

卷積在深度學習中的作用（轉自http://timdettmers.com/2015/03/26/convolution-deep-learning/）

範圍 SM 全連接判斷 contact con 發展 .dsp length 卷積可能是現在深入學習中最重要的概念。卷積網絡和卷積網絡將深度學習推向了幾乎所有機器學習任務的最前沿。但是，卷積如此強大呢？它是如何工作的？在這篇博客文章中，我將解釋卷積並將其與其他概念聯系起來

關於深度學習中的batch_size

line question 代價函數 online 由於數據減少使用矛盾 5.4.1 關於深度學習中的batch_size batch_size可以理解為批處理參數，它的極限值為訓練集樣本總數，當數據量比較少時，可以將batch_size值設置為全數據集（Full

深度學習中 GPU 和視訊記憶體分析深度學習中 GPU 和視訊記憶體分析

轉深度學習中 GPU 和視訊記憶體分析 2017年12月21日 14:05:01 lien0906 閱讀數：5941 更多

【遷移學習】簡述遷移學習在深度學習中的應用

選自MachineLearningMastery 作者：Jason Brownlee 機器之心編譯參與：Nurhachu Null、劉曉坤本文介紹了遷移學習的基本概念，以及該方法在深度學習中的應用，引導構建預測模型的時候使用遷移學習的基本策略。遷移學習是一種機器學習

深度學習中的英文專有名詞

最近在讀深度學習的文獻資料，覺得專有名詞還是挺多的。網上搜集到一些，背一下。 activation

深度學習中張量flatten處理（flatten，reshape，reduce）

先看一下flatten的具體用法 1-對於一般數值，可以直接flatten >>> a=array([[1,2],[3,4],[5,6]]) >>> a array([[1, 2], [3, 4], [5, 6]]) &

深度學習中embedding的含義

Embedding在數學上表示一個maping, f: X ->Y 也就是一個function，其中該函式是injective（就是我們所說的單射函式，每個Y只有唯一的X對應，反之亦然）和structure-preserving (結構儲存，比如在X所屬的空間上X1 < X2,那

聊一聊深度學習中常用的激勵函式

大家都知道，人腦的基本計算單元叫做神經元。現代生物學表明，人的神經系統中大概有860億神經元，而這數量巨大的神經元之間大約是通過1014−1015個突觸連線起來的。上面這一幅示意圖，粗略地描繪了一下人體神經元與我們簡化過後的數學模型。每個神經元都從樹突接受訊號，同時順著某個軸突傳遞

機器學習：深度學習中的遷移學習

遷移學習也是最近機器學習領域很火熱的一個方向，尤其是基於深度學習的遷移學習。遷移學習，顧名思義，就是要遷移，有句成語叫觸類旁通，模型在某個任務上學習到知識，當遇到類似任務的時候，應該可以很快的把以前任務學到知識遷移過來。這是擬人化的描述，按照目前主流的 “資料驅動” 型的學習方式，我們所

深度學習中的優化演算法（待更）

優化演算法可以使得神經網路執行的速度大大加快，機器學習的應用是一個高度依賴經驗的過程，伴隨著大量迭代的過程，需要訓練諸多的模型來找到最合適的那一個。其中的一個難點在於，深度學習沒有在大資料領域發揮最大的效果，我們可以利用一個巨大的資料集來訓練神經網路，

關於在深度學習中訓練資料集的batch的經驗總結

由於深度學習的網格很大，用來訓練的資料集也很大。因此不可能一下子將所有資料集都輸入到網路中，便引入了batch_size的概念，下面總結自己兩種常用的呼叫batch的方法 1、使用TensorFlow， tf.train.batch（）。 2、 offset = (offset

深度學習中目標檢測

該部分內容出自書《21個專案玩轉深度學習：基於TensorFlow的實踐詳解》，有需要的同志可以關注我的公眾號，加入下發的群，在群公告中有附網盤，可以自取（僅供學習使用）。如果失效可以聯絡或者在公眾號留言！！！** 深度學習中目標檢測的原理 R-CNN 的全稱是 Region-CNN

【Ian Goodfellow課件】深度學習中的正則化

本課件主要內容包括：正則化定義權值退化與約束優化範數懲罰資料集擴充多工學習學習曲線稀疏表達 Dropout 切線傳播完整課件下載地址： http:/

深度學習中的 epoch iteration batch-size

（1）iteration：表示1次迭代（也叫training step），每次迭代更新1次網路結構的引數；（2）batch-size：1次迭代所使用的樣本量；（3）epoch：1個epoch表示過了1遍訓練集中的所有樣本。值得注意的是，在深度學習領域中，常用帶mini-batch的

深度學習中的問題彙總（持續更新．．．）

2018.10.24 1.scipy.misc module has no attribute imread image = misc.imread(filename) AttributeError: 'module' object has no attribute 'imread'

深度學習中的Attention模型介紹及其進展（attention入門參考文獻第一篇）

1. 基本原理 Attention模型最初應用於影象識別，模仿人看影象時，目光的焦點在不同的物體上移動。當神經網路對影象或語言進行識別時，每次集中於部分特徵上，識別更加準確。如何衡量特徵的重要性呢？最直觀的方法就是權重，因此，Attention模型的結果就是在每次識別時

時間特徵在深度學習中的表示問題

相關推薦