以下是我的數據：

我有500個錄音(任意分成訓練，驗證和測試集)。每個記錄包含一定數量的行，每一行對應一個1s的EEG片段，換句話說，每個記錄的長度等于一個EEG信號的長度(s)。每行包含22個通道*22個時間/頻率特征=484個特征+輸出標簽(0或1)。在

所以我想執行二進制分類。在

正如許多論文(看this good paper)所建議的那樣，對于每一個記錄，我創建長度為look_back的序列，以便在預測每個標簽時考慮到“周圍”片段的特征。代碼如下：def create_dataset(feat,targ, look_back=1):

semi_window=math.floor(look_back/2)

dataX, dataY = [], []

for i in range(semi_window,len(targ)-semi_window):

a = feat[i-semi_window:(i+semi_window+1), :]

dataX.append(a)

dataY.append(targ[i])

return np.array(dataX), np.array(dataY)

此函數返回大小為(samples, look_back=time_steps, features=484)的三維數組。在

為了處理不平衡的類，我測試了make_imbalance函數以刪除實例以保持每個類的實例數不變，以及在loss函數中考慮到不平衡的class_weight參數。在

所以，我使用了一個LSTM模型，并使用earlystup回調參數，在驗證精度沒有增加給定容差的情況下停止。在

這是我的完整模型：

^{pr2}$

我得到的結果是：

訓練混淆矩陣顯著，但驗證矩陣和測試矩陣較差。。。在

我想這并不過分，因為我的模型尺寸很小(一層，…)。此外，我認為這個模型是恰當的，因為它能夠很好地區分(巨大)訓練集上的數據。。。在

那么，怎么了？在

NB：我說的是，我對經典的Keras前饋神經網絡也有同樣的問題

編輯：以下是我繪制學習曲線時得到的結果：

你可以看到的是，訓練精度仍然很高，而驗證精度(實際上橙色曲線應該是“驗證”)仍然很低。。。在

編輯：我嘗試使用XGBoost和SVM分類器，但是我無法得到結果(仍然是相同的行為)

編輯：我試著洗牌數據看看。我得到了很好的結果，但這有點像海市蜃樓。。。事實上，我有來自相同記錄的數據(不完全相同，但非常接近)在訓練和驗證集。。。有點作弊。當我向模特展示一張全新的唱片時，它崩潰了。。。所以，我還沒有找到解決辦法

總結

以上是生活随笔為你收集整理的python模型训练效果没有优化_LSTM模型训练效果好，但测试结果较差，不能看出拟合过度...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。