# 测试集预测pred_test_y = model.predict(X_test_win)# 预测结果绘制plt.figure(figsize=(15, 6), dpi=80)plt.plot(np.array(test_y))plt.plot(pred_test_y)plt.legend(['Actual', 'Predictions'])plt.show()
文章插图
相对训练集来说 ， 大家看到测试集上的效果稍有偏差 ， 但是总体趋势还是预测得不错 。
我们要考察这个模型对于时间序列预测的泛化能力 ， 可以进行更严格一点的建模预测 ， 比如将训练得到的模型应用与另一支完全没见过的股票上进行预测 。如下为我们训练得到的模型对 Microsoft/微软股票价格的预测：
文章插图
文章插图
我们从图上可以看到 ， 模型表现良好（预测存在一定程度的噪音 ， 但它对总体趋势的预测比较准确） 。
参考资料
- 深度学习教程：吴恩达专项课程 · 全套笔记解读：https://www.showmeai.tech/tutorials/35
- 自然语言处理教程：斯坦福CS224n课程 · 课程带学与全套笔记解读：https://www.showmeai.tech/tutorials/36
- 深度学习教程 | 序列模型与RNN网络：https://www.showmeai.tech/article-detail/225
- NLP教程(5) - 语言模型、RNN、GRU与LSTM：https://www.showmeai.tech/article-detail/239
文章插图
经验总结扩展阅读
- JUC学习笔记——共享模型之管程
- Seata Server 1.5.2 源码学习
- 2022极端高温！机器学习如何预测森林火灾？? 万物AI
- 1.nginx学习
- 常用Python库整理
- 2023年谷雨学习运有所提升的星座学业突飞猛进
- 1 Dive into TensorFlow系列-静态图运行原理
- SpringCloudAlibaba 微服务组件 Nacos 之配置中心源码深度解析
- 厨房台面深度 厨房台面高度多少合适
- 图学习参考资料 词向量word2vec