改善神经网络的方法将红色与蓝色区分开？

我有很多关于红色和蓝色的数据，在这些数据中我试图将红色数据与蓝色区别开来，但是它们基本上都看起来像这样（请参阅imgur）。重叠很多，但在不同地方达到顶峰

它们重叠很多，我只能得到0.65的roc auc得分。

到目前为止，在数据处理方面，我仅使用类权重来平衡它。我尝试了各种具有不同功能的密集/丢失网络，但是无论我添加多少层或历元，我都只能获得0.65的最大值，大多数都徘徊在0.63-0.65左右。

例如，简单的DNN /辍学率可得出0.65：

    Dense(512,activation='relu'),Dropout(0.3),Dense(512,Dense(1,activation="sigmoid")

我在网上发现的一些resnet 修改也只提供了0.65。

到目前为止，我只尝试了CNN和密集层网络。

我可以尝试哪种方法更清楚地使神经网络将红色与蓝色区分开？

根据您的描述，不清楚您为什么认为应该有更好的分数。而不是更改模型，您应该专注于功能。根据红色和蓝色代表什么，您为什么认为它们不同？您可以在尝试估计分类器的参数之前使用这些功能来讲述该故事吗？

您还应考虑将结果用于此应用程序。在某些情况下，得分为0.5是令人难以置信的，而在其他应用程序中，任何低于0.9999的结果都是失败。

根据我提出模型的经验，即使它看起来做得令人难以置信，但如果没有清晰的故事，充其量只能是一种怀疑。最糟糕的是，它将影响演示者的信誉。