如何解决将LSTM网络与ECG数据拟合不起作用
我试图在MITDB的ECG数据集上使用LSTM-Layer拟合顺序模型。该模型应将单个值的序列分类为6个类别。但是它不会得到可接受的结果，只有23％的精度并且不会增加。我认为我的数据或形状有问题。 我的标签有6个不同的值，形状为（28154，6），看起来像这样：
[[0. 0. 1. 0. 0. 0.]
[0. 0. 0. 0. 0. 1.]
[0. 0. 0. 0. 1. 0.]
...
[0. 0. 0. 0. 0. 1.]
[0. 0. 1. 0. 0. 0.]
[0. 0. 0. 0. 0. 1.]]
我的输入数据是整形的（批次：28154，时间步：130，特征：1）火车
[[[ 987.17507661]
[ 981.62460783]
[ 980.96795945]
...
[1014.70828142]
[1005.45570561]
[ 998.81239015]]
...
[[1033.07894773]
[1041.05725021]
[1039.21188431]
...
[1026.80583104]
[1025.28301436]
[1017.54051951]]]
模型如下：
LSTMModel = keras.Sequential()
LSTMLayer = LSTM(100,dropout=0.2,implementation=1,input_shape=(130,1))
LSTMModel.add(LSTMLayer)
LSTMModel.add(tf.keras.layers.Dense(6,activation='softmax'))
LSTMModel.compile(optimizer='adam',loss=tf.keras.losses.BinaryCrossentropy(from_logits=True),metrics=['accuracy'])
history = LSTMModel.fit(train_x,train_y,batch_size=1,epochs=1)
时间相关性在130个值的序列内。所以我必须在28154个序列中的每个序列之后重置LSTM状态，所以Batchsize =1。我只有一个功能。这些序列与时间无关，因为它们属于不同的人。我知道，这个模型不是很优化，但是不会学到任何东西。
我在做什么错了？
编辑：如我所料，我尝试了loss ='categorical_crossentropy'，但没有更好的结果。 准确度为22.2％，因此根本无法学习。选择随机标签时，我将获得1/6 = 16.6％的准确度。所以我不认为这是损失函数，因为该模型根本不起作用。也许很少的学习来自密集层。
>>>print(history.history['accuracy'])
[0.22206436097621918]
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。