今天是第二十六天我們可以寫一個lstm分析水溫對斑馬魚行為的影響，以下是程式碼

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
import matplotlib.pyplot as plt

# 1. 加載數據
data = pd.read_csv('data.csv')  # 假設有時間、溫度和行為的列

# 2. 數據預處理
# 假設 "Temperature" 是水溫列, "Behavior" 是行為數據
scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data[['Temperature', 'Behavior']])

# 3. 創建序列數據，設置時間步長
def create_sequences(data, seq_length):
    xs, ys = [], []
    for i in range(len(data) - seq_length):
        x = data[i:i+seq_length]
        y = data[i+seq_length][1]  # 行為預測
        xs.append(x)
        ys.append(y)
    return np.array(xs), np.array(ys)

SEQ_LENGTH = 50  # 設置LSTM的時間步長
X, y = create_sequences(scaled_data, SEQ_LENGTH)

# 4. 拆分訓練和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 5. 構建LSTM模型
model = Sequential()

model.add(LSTM(units=100, return_sequences=True, input_shape=(SEQ_LENGTH, 2)))
model.add(Dropout(0.2))
model.add(LSTM(units=100))
model.add(Dropout(0.2))
model.add(Dense(units=1))  # 預測行為數據

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

# 6. 訓練模型
history = model.fit(X_train, y_train, epochs=20, batch_size=32, validation_data=(X_test, y_test))

# 7. 評估模型
plt.plot(history.history['loss'], label='Train Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.legend()
plt.show()

# 8. 預測測試集行為
predictions = model.predict(X_test)

# 9. 將預測結果反歸一化
predicted_behavior = scaler.inverse_transform(np.concatenate((np.zeros((predictions.shape[0], 1)), predictions), axis=1))[:, 1]
real_behavior = scaler.inverse_transform(np.concatenate((np.zeros((y_test.shape[0], 1)), y_test.reshape(-1, 1)), axis=1))[:, 1]

# 10. 繪製預測結果與實際結果對比圖
plt.plot(real_behavior, color='blue', label='Real Behavior')
plt.plot(predicted_behavior, color='red', label='Predicted Behavior')
plt.title('Real vs Predicted Zebrafish Behavior')
plt.xlabel('Time')
plt.ylabel('Behavior')
plt.legend()
plt.show()

1. 加載數據

data = pd.read_csv('data.csv')  # 假設有時間、溫度和行為的列

這一步使用 pandas 讀取名為 data.csv 的數據文件。假設這個文件包含多個列，如 Temperature（水溫）、Behavior（斑馬魚的行為數據）以及 Time（時間標記）。

2. 數據預處理

scaler = MinMaxScaler(feature_range=(0, 1))
scaled_data = scaler.fit_transform(data[['Temperature', 'Behavior']])

數據標準化是一個重要的步驟。MinMaxScaler 將數據縮放到 [0, 1] 之間，這樣能夠確保LSTM模型訓練過程中的穩定性，避免過大或過小的數據對模型訓練造成影響。fit_transform() 函數對數據進行標準化，並返回標準化後的數據。

這裡我們只對 Temperature 和 Behavior 兩個特徵進行縮放。

3. 創建序列數據

def create_sequences(data, seq_length):
    xs, ys = []
    for i in range(len(data) - seq_length):
        x = data[i:i+seq_length]
        y = data[i+seq_length][1]  # 行為預測
        xs.append(x)
        ys.append(y)
    return np.array(xs), np.array(ys)

SEQ_LENGTH = 50  # 設置LSTM的時間步長
X, y = create_sequences(scaled_data, SEQ_LENGTH)

LSTM是擅長處理序列數據的模型，因此需要將數據組織成序列。這段代碼的核心思想是：

• seq_length：定義每個輸入序列的長度。這裡設置為50，表示每次用前50個時間步的數據來預測下一個時間步的行為。
• create_sequences()：這個函數將連續的數據轉換成多個序列。x 是一個長度為 seq_length 的數據片段，而 y 是對應的目標行為值。最終返回的是兩個numpy數組：X (特徵序列) 和 y (對應的標籤值)。

4. 拆分訓練和測試集

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

這裡使用 train_test_split 函數將數據分成訓練集和測試集。test_size=0.2 表示20%的數據用來做測試，其餘80%用來訓練模型。random_state 設置為42，以保證每次運行時劃分的數據集是一樣的（即使重新運行代碼）。

5. 構建LSTM模型

model = Sequential()

model.add(LSTM(units=100, return_sequences=True, input_shape=(SEQ_LENGTH, 2)))
model.add(Dropout(0.2))
model.add(LSTM(units=100))
model.add(Dropout(0.2))
model.add(Dense(units=1))  # 預測行為數據

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

這段代碼構建了一個LSTM神經網絡模型，步驟如下：

1. Sequential：Sequential() 是Keras中的一個模型容器，用來順序地堆疊各層神經網絡層。
2. 第一層 LSTM：
   • units=100：LSTM層包含100個記憶單元。
   • return_sequences=True：因為我們有多層LSTM，因此需要返回整個序列。
   • input_shape=(SEQ_LENGTH, 2)：輸入數據的形狀，這裡是 (50, 2)，表示每個序列包含50個時間步長，每個時間步有兩個特徵（溫度和行為）。
3. Dropout：Dropout層隨機丟棄一些神經元，以防止過擬合。這裡設定丟棄率為0.2，即隨機丟棄20%的神經元。
4. 第二層 LSTM：再次使用100個單元的LSTM層，這次不需要返回序列。
5. Dense 層：最終輸出層，單元數為1，因為我們要預測的是一個標量值（斑馬魚行為）。
6. compile：編譯模型，損失函數使用 mean_squared_error（均方誤差），優化器為 adam。

6. 訓練模型

history = model.fit(X_train, y_train, epochs=20, batch_size=32, validation_data=(X_test, y_test))

這一步是訓練模型的過程。參數如下：

• epochs=20：模型將在整個訓練數據集上迭代20次。
• batch_size=32：每次更新權重時，模型將基於32個樣本進行計算。
• validation_data=(X_test, y_test)：使用測試集數據進行驗證，以評估模型在每個epoch之後的性能。

這段代碼會返回一個 history 對象，包含了訓練過程中的損失和驗證損失等信息。

7. 評估模型

plt.plot(history.history['loss'], label='Train Loss')
plt.plot(history.history['val_loss'], label='Validation Loss')
plt.legend()
plt.show()

這裡通過繪製損失曲線來觀察訓練過程中的損失變化。這包括訓練損失（loss）和驗證損失（val_loss）。理想情況下，兩者應該都在隨著訓練過程的進行而減少。

8. 預測測試集行為

predictions = model.predict(X_test)

使用訓練好的模型對測試集數據進行預測。predictions 是模型對測試集的行為預測結果。

9. 將預測結果反歸一化

predicted_behavior = scaler.inverse_transform(np.concatenate((np.zeros((predictions.shape[0], 1)), predictions), axis=1))[:, 1]
real_behavior = scaler.inverse_transform(np.concatenate((np.zeros((y_test.shape[0], 1)), y_test.reshape(-1, 1)), axis=1))[:, 1]

因為在數據預處理時，我們對數據進行了標準化，現在需要將預測結果和實際行為數據反歸一化回到原始數據範圍。

這裡將預測值和真實值與一個零列拼接，然後使用之前的 scaler 反歸一化，再取出我們關心的行為數據列（第1列）。

10. 繪製預測結果與實際結果對比圖

plt.plot(real_behavior, color='blue', label='Real Behavior')
plt.plot(predicted_behavior, color='red', label='Predicted Behavior')
plt.title('Real vs Predicted Zebrafish Behavior')
plt.xlabel('Time')
plt.ylabel('Behavior')
plt.legend()
plt.show()

最後，將預測結果和真實結果繪製出來，用來直觀地比較模型的預測效果。real_behavior 是測試集中真實的行為數據，而 predicted_behavior 是模型的預測結果。

這段代碼的主要流程包括：

1. 數據處理：將原始數據標準化，並轉換為LSTM所需的序列格式。
2. 模型構建與訓練：使用兩層LSTM構建模型，並在訓練數據上進行訓練。
3. 模型評估與可視化：通過可視化模型的損失變化和預測效果來評估模型性能。