时间戳

首页 > 解决方案 > LSTM 对子序列的预测失败

machine-learning - LSTM 对子序列的预测失败

问题描述

我有一个简单的数据集，例如：

data = [
        [[1,2], [3,4], [5,6], [7,8], [9,10]],
        [[10, 20], [30, 40], [50, 60], [70, 80], [90, 100]],
        [[0.1, 0.2], [0.3, 0.4], [0.5, 0.6], [0.7, 0.8], [0.9, 0.10]],
        [[0.01, 0.02], [0.03, 0.04], [0.05, 0.06], [0.07, 0.08], [0.09, 0.010]],
        [[11, 12], [13, 14], [15, 16], [17, 18], [19, 20]]
       ]

每个输入都与另一个完全不同。

每个输入对应一个不同的类：

classes = ['A', 'B', 'C', 'D', 'E']

我正在按如下方式训练 LSTM：

# Build Model
model = Sequential()

model.add(LSTM(units=units, activation='tanh',
               batch_input_shape=(1, None, n_features),
               dropout=dropout, recurrent_dropout=recurrent_dropout,
               return_sequences=return_sequences, stateful=stateful))

model.add(Dropout(dropout_))
  
self.model.add(Dense(n_classes, activation='softmax'))

self.model.compile(loss='categorical_crossentropy',
                   optimizer=optimizer, metrics=['accuracy'])

# Train
model.fit(x=np.array(data), y=np.array(classes), batch_size=1)

我可以在训练集上达到 100% 的准确率。但是，如果我尝试在子序列上对其进行预测，则无法知道子序列属于哪个类！如：

[[1,2], [3,4]]
[[10, 20], [30, 40], [50, 60]]
[[0.1, 0.2], [0.3, 0.4], [0.5, 0.6]]
[[0.01, 0.02], [0.03, 0.04]]
[[11, 12], [13, 14]]

为上述应用不同的参数：units, dropout...等。修复过拟合（如果有的话），没有用。

概括：

无论训练的 epoch 数量、参数调整以及使用的不同优化器和学习率如何，对子序列的预测精度都不会超过 60%！

我想从这个转移到一个更大的数据集，但我无法先完成这项工作。

标签： machine-learningkeraslstmrecurrent-neural-network

解决方案

您应该首先将数据集拆分为训练和验证（开发）数据集。也许还有一个测试拆分。然后测量验证数据集的性能。

您还可以使用子序列示例扩充您的数据集并在这些示例上进行训练/验证。

推荐阅读