如何解决时间序列多类分类数据的损耗和精度常数
0 DR_24526 1 -0.261916 0.377803 1.617511 0.311707 -0.055292 0 0.740317 0 4 1.810690 -0.375699 -1.025374 0 0.806782 0.529635 -0.577077
1 DR_24526 1 0.484744 -0.262327 -0.447281 -0.497518 -0.526008 0 0.740317 0 4 1.810690 -0.618167 -1.353477 0 0.806782 0.529635 -0.577077
2 DR_24526 1 0.484744 0.484492 2.415695 1.882432 -0.565707 0 0.740317 0 4 1.810690 -0.618167 -1.353477 0 0.806782 0.529635 -0.577077
3 DR_24526 2 0.058081 0.591180 -0.415251 -0.512043 0.131860 0 0.740317 0 4 1.810690 -0.618167 -1.353477 0 0.806782 0.529635 -0.577077
4 DR_24526 1 0.591409 0.484492 1.185172 2.287045 -0.350199 0 0.740317 0 4 1.810690 -0.618167 -1.353477 0 0.806782 0.529635 -0.577077
第一列是ID,其组的长度不同。我已经填充并删节以使其长度相等。
sequences = list()
for name,group in tqdm(train_df.groupby(['ID'])):
sequences.append(group.drop(columns=['ID']).values)
#Padding the sequence with the values in last row to max length
to_pad = 112
new_seq = []
for one_seq in sequences:
len_one_seq = len(one_seq)
last_val = one_seq[-1]
n = to_pad - len_one_seq
to_concat = np.repeat(one_seq[-1],n).reshape(17,n).transpose()
new_one_seq = np.concatenate([one_seq,to_concat])
new_seq.append(new_one_seq)
final_seq = np.stack(new_seq)
#truncate the sequence to length 60
# from tf.keras.preprocessing import sequence
seq_len = 16
final_seq=tf.keras.preprocessing.sequence.pad_sequences(final_seq,maxlen=seq_len,padding='post',dtype='float',truncating='post')
在另一个df中,目标列包含3个类别0、1、2,其类别数与ID相同
target = pd.get_dummies(train['DrivingStyle'])
target = np.asarray(target)
这是我的模型代码
model = tf.keras.models.Sequential()
model.add(L.Bidirectional(L.LSTM(64,dropout=0.2,input_shape=(seq_len,17),return_sequences=True)))
model.add(L.Bidirectional(L.LSTM(64,dropout=0.2)))
model.add(L.Dense(3,activation='softmax'))
# adam = tf.optimizers.Adam(lr=0.1,clipvalue=0.5)
# adam = tf.keras.optimizers.Adam(lr=0.001,clipvalue=0.8)
# sgd = tf.keras.optimizers.SGD(lr=1)
sgd = tf.keras.optimizers.SGD(lr=1e-4,decay=1e-6,momentum=0.9,nesterov=True)
model.compile(loss='categorical_crossentropy',optimizer=sgd,metrics=['accuracy'])
model.fit(
final_seq,target,epochs=10,batch_size=84,callbacks=[
tf.keras.callbacks.ReduceLROnPlateau(patience=5),]
)
But my loss and accuracy are levelling to a constant value
Epoch 1/10
155/155 [==============================] - 2s 11ms/step - loss: 1.1425 - accuracy: 0.3136
Epoch 2/10
155/155 [==============================] - 2s 11ms/step - loss: 1.0670 - accuracy: 0.4461
Epoch 3/10
155/155 [==============================] - 2s 11ms/step - loss: 1.0505 - accuracy: 0.4810
Epoch 4/10
155/155 [==============================] - 2s 10ms/step - loss: 1.0463 - accuracy: 0.4882
Epoch 5/10
155/155 [==============================] - 2s 11ms/step - loss: 1.0451 - accuracy: 0.4889
Epoch 6/10
155/155 [==============================] - 2s 14ms/step - loss: 1.0437 - accuracy: 0.4904
Epoch 7/10
155/155 [==============================] - 2s 11ms/step - loss: 1.0438 - accuracy: 0.4905
Epoch 8/10
155/155 [==============================] - 2s 11ms/step - loss: 1.0426 - accuracy: 0.4920
Epoch 9/10
155/155 [==============================] - 2s 13ms/step - loss: 1.0433 - accuracy: 0.4911
Epoch 10/10
155/155 [==============================] - 2s 11ms/step - loss: 1.0419 - accuracy: 0.4909
我在类似类型的问题中尝试了其他解决方案。我尝试了3个具有256个节点的隐藏LSTM层,但是它们都不起作用。
数据形状
print(final_seq.shape)
print(target.shape)
(12994,16,17)
(12994,3)
解决方法
更新答案 因此,您的数据形状看起来不错。有些事情,我会改变,这可能会改善结果:
- 将batch_size减小为16或32,因为较低的batch_size可以提高准确性
- 再次使用Adam作为优化器,我不知道您的自定义SGD设置是否会对模型产生不良影响
- 在数据进入模型之前检查数据。可能存在一些预处理问题,我们在这里看不到。
- 也许,您仅有的数据不足以进行正确的分类。您可以考虑减少类数量,以测试一个类是否引起问题,因为它的功能与其他类混合在一起。
- 由于某些功能在一段时间内不会更改,因此您可以尝试使用CNN。也许并非所有功能都与此分类相关,所以最好使用较少的功能
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。