利用TimeGAN技术对一维时序数据进行扩增（Python代码）
1.数据集介绍特征是工作经验年限标签是薪水因为数据量太少利用GAN技术进行扩增YearsExperienceSalary1.1393431.3462051.5377312435252.2398912.9566423601503.2544453.2644453.7571893.9632184557944569574.1570814.5611114.9679385.1660295.3830885.9813636939406.8917387.1982737.91013028.21138128.710943191055829.51169699.611263510.312239110.51218722.模型整体介绍时间序列生成对抗性网络TGAN时间序列生成对抗性网络于2019年提出作为一种基于GAN的框架能够生成各种不同领域的真实时间序列数据即具有不同观察行为的序列数据。与我们在真实数据和合成数据上实现无监督对抗性损失的其他GAN架构例如WGAN不同TimeGAN架构引入了监督损失的概念-鼓励模型通过使用原始数据作为监督来捕捉数据中的时间条件分布。此外我们可以观察到嵌入网络的引入该网络负责降低对抗性学习空间维度。3.模型效果扩增的数据与原始数据对比扩增数据与原始数据概率分布图运行环境要求numpy version: 1.19.2pandas version: 1.2.0scikit-learn version: 0.24.0tensorflow version: 2.4.0
)
