# 使用 TensorFlow RNN 模型預處理數據集 為了使其為學習模型做好準備，通過應用 MinMax 縮放來正則化數據集，該縮放使數據集值介于 0 和 1 之間。您可以嘗試根據數據的性質對數據應用不同的縮放方法。 ```py # normalize the dataset scaler = skpp.MinMaxScaler(feature_range=(0, 1)) normalized_dataset = scaler.fit_transform(dataset) ``` 我們使用自己開發的實用函數將數據集拆分為訓練和測試數據集。必須拆分數據而不對數據集進行混洗，因為改組數據集會破壞序列。維護數據序列對于訓練時間序列模型非常重要。 ```py train,test=tsu.train_test_split(normalized_dataset,train_size=0.67) ``` 然后我們將訓練和測試數據集轉換為有監督的機器學習集。讓我們試著理解監督學習集的含義。假設我們有一系列數據：1,2,3,4,5。我們想要了解生成數據集的概率分布。為了做到這一點，我們可以假設時間步長`t`的值是從時間步長`t-1`到`tk`的值的結果，其中`k`是窗口大小。為簡化起見，假設窗口大小為 1.因此，時間步長`t`的值（稱為輸入特征）是時間步長值`t-1`的結果，被稱為目標。讓我們重復一遍所有時間步驟，我們得到下表： | 輸入值或特征 | 輸出值或目標 | | --- | --- | | 1 | 2 | | 2 | 3 | | 3 | 4 | | 4 | 5 | 我們展示的示例只有一個變量值，它將轉換為特征和目標。當目標值取決于一個變量時，它被稱為單變量時間序列。同樣的邏輯可以應用于多變量時間序列，其中目標取決于多個變量。我們使用`x`來表示輸入特征，使用`y`來表示輸出目標。 考慮到這一背景，為了將`airpass`數據轉換為監督機器學習數據，我們設置了以下超參數： 1. 設置用于學習或預測下一個時間步的過去時間步數： ```py n_x=1 ``` 1. 設置學習或預測的未來時間步長的數量： ```py n_y=1 ``` 1. 設置用于學習的`x`變量的數量;由于當前示例是單變量的，因此設置為 1： ```py n_x_vars = 1 ``` 1. 設置要預測的`y`變量的數量;由于當前示例是單變量的，因此設置為 1： ```py n_y_vars = 1 ``` 1. 最后，我們通過應用本節開頭所述的邏輯將訓練和測試數據集轉換為`X`和`Y`集： ```py X_train, Y_train, X_test, Y_test = tsu.mvts_to_xy(train, test,n_x=n_x,n_y=n_y) ``` 現在數據已經過預處理并可以輸入到我們的模型中，讓我們使用 TensorFlow 準備一個 SimpleRNN 模型。