不训练模型

Question

我的问题是我有 6 节课。鉴于此数据，我的数据中有两列。应该按照这一栏来分类，这一栏是振动，和我的时间栏相比，时间向前推进了0.01和0.01，比如我的第一类是这样的：0.01， 0.02 和... 100000.0 这是对于第一个类是有的，而第二个类是 0.01、0.02、和... 100000.0 和其余的类是一样的，现在问题出在哪里？我测试了多个模型，在所有模型中，准确率都保持在 16%，并且在任何模型中都没有观察到准确率的提高。数据都是数字，没有噪音，我对数据进行了归一化（振动列）。我有 1000 万个样本，并且没有丢失数据的问题（我想使用 Python 中的神经网络来解决这个问题，到目前为止我已经使用了这些（lstm，DNN，simpleRnn，conv1）**

Answer 1

1. 数据歧义和分类准确性：

   • 当数据点在特征空间中分布不均匀时，数据分类就变得具有挑战性。在弱结构化数据集中，数据点在不同类之间重叠，实现高精度可能很困难。
   • 分类精度的理论极限源于数据类别的重叠。在理想的训练条件下，即使是强大的分类器也可以在这个通用精度限制下执行。
   • 考虑检查数据点在特征空间中的分布。如果存在显着重叠，可能会影响模型的性能。

2. 模型选择和超参数调整：

   • 您已经尝试了多种模型（LSTM、DNN、simpleRNN 和 Conv1D），但准确率保持在 16%。让我们探讨一些可能性：
     • 超参数调整：确保您已调整超参数，例如学习率、批量大小和网络架构。
     • 模型复杂度：尝试不同的模型复杂度（例如更深或更宽的网络）以找到正确的平衡。
     • 正则化：应用dropout或L2正则化来防止过度拟合。
     • 激活函数：为隐藏层尝试不同的激活函数（ReLU、tanh 等）。
     • 损失函数：确保您使用适当的损失函数（例如，用于多类分类的分类交叉熵）。
     • 优化器：尝试不同的优化器（Adam、SGD 等）。

3. 数据预处理:

   • 您已经标准化了振动柱，这很棒。考虑其他预处理步骤：
     • 特征工程：从时间序列数据中提取相关特征（例如统计矩、频域特征）。
     • 窗口化：创建时间序列数据的滑动窗口以捕获时间模式。
     • 数据增强：通过添加噪声或扰乱现有样本来生成合成数据。

4. 类别不平衡：

   • 检查您的课程是否平衡。如果不是，请考虑对少数类进行过采样或对多数类进行欠采样。

5. 集成方法:

   • 结合多个模型的预测（例如，bagging、boosting 或 stacking）以提高准确性。

6. 评估验证集：

   • 将数据分为训练集、验证集和测试集。在训练期间监控验证集的准确性以检测过度拟合。

7. 异常检测:

   • 如果您的类别高度不平衡，请考虑将其视为异常检测问题而不是分类问题。

请记住，神经网络可能对超参数和数据质量敏感。尝试不同的方法，并不断完善您的模型，直到获得更好的结果。