tensorflow - 基于过去和 future 值的每个时间序列步骤的二元分类

Question

我目前面临机器学习问题，并且已经到了需要一些帮助才能继续的地步。

我有传感器跟踪的各种时间序列的位置数据(x、y、z)。我开发了更多功能。例如，我对整个 3D 空间进行栅格化，并为每个时间步计算了 cell_x、cell_y 和 cell_z。时间序列本身具有可变长度。

我的目标是建立一个模型，使用标签 0 或 1 对每个时间步进行分类(基于过去和 future 值的二元分类)。因此，我有很多已经设置标签的训练时间序列。

可能存在很大问题的一件事是数据中 1 的标签很少(例如 800 个样本中只有 3 个标有 1) .

如果有人能在正确的方向上帮助我，那就太好了，因为可能的问题太多了:

• 超参数错误
• 型号不正确
• 1 的标签太少，但我认为这不是一个大问题，因为我只需要模型来建议正确的时间步长。所以我只会使用输出的峰值。
• 训练数据错误或太少
• 不良功能

感谢任何帮助和提示。

Answer 1

你的模型看起来很奇怪。为什么lstm层只使用2个单元？您的问题也是二元分类。在这种情况下，您应该在输出层中仅选择一个神经元(尝试在 lstm 层之间插入一个额外的密集层，并尝试在它们之间插入 dropout 层)。

如果没有多标签问题，二元交叉熵对于 2 个输出神经元没有多大意义。但如果你要切换到一个输出神经元，那么它就是正确的。您还需要 sigmoid 作为激活函数。

最后的建议:尝试类(class)权重。 http://scikit-learn.org/stable/modules/generated/sklearn.utils.class_weight.compute_class_weight.html如果您的标签不平衡，这可能会产生巨大的差异。