コンテキスト 機械学習において、理解から直感に至るまでには長い道のりがあります。私は、Kerasにおける様々な活性化関数、損失関数、最適化アルゴリズム、および評価指標の反応を見るために、従来の電子機器のテストパターンのデータファイルを多数作成しました。これらのファイルは、非常に意図的に作成されたデータセットを用いて、あなたが選択した機械学習のタイプを試す能力を提供するはずです。 私は、より複雑なモデルを作成した際にアルゴリズムがどのように振る舞うべきかについての直感を得るための基準を設定するために、無限に予測可能なものを探し、様々な設定がアルゴリズムにどのように影響するかを見たかったのです。 内容 これらのファイルには、ほとんどが正弦波、余弦波、三角波などの10,000個のサンプルパターンが1行に含まれています。一部のセットでは、周波数と振幅が変化しています。1つのファイルには、互いに90度位相のずれた正弦波の4つの特徴を持つ2,500個のサンプルが含まれています。値はすべて0から1の間なので、スケーリングは必要ありません。 CosineDecAmpFreqInc、CosineDecreasingAmp、CosineIncAmpFreqInc、CosineIncAmpFreqSlowing、ExponentialDecayTenWaves、ExponentialRiseTenWaves、FourSineWaves、LinearFall、LinearRise、Lorentz、Multitone、Pulse10Waves、Pulse10WavesInverted、RandomSamples、SinFiveWaves、SinFourtyWaves、SinTenWaves、SinTwentyWaves、30,000 SquareFiveWaves、SquareTenWaves、SweepOneToFive、SweepOneToTwo、SweepOneToTwoPointFive、SyncPattern、TriangleFiveWaves、TriangleTenWaves.csv 謝辞 一部はテクトロニクスのArbExpressを使用して生成され、スケール調整のためにExcelで修正されました。一部は私がC#で生成しました。 インスピレーション 多変量データを用いたKerasでのLSTMの良いデモンストレーション例はどうでしょうか。そして、そのうちの1つの列の単一予測も行います。私はこれを試すために4つの正弦波の.csvファイルを作成しました。これまで見つけた例では、すべてを平均化するだけでした。