如何解决带有SMOTE的ResNet34的分类比没有烟雾的分类差10%
我用语音数据的Mel-Spectograms训练了两个ResNet。 我用第1类25%和第2类75%的不平衡数据训练了我的第一个。 第一个网络的准确性为57%。 我建议使用第二个网络,该网络使用平衡的数据进行了平衡数据训练,这是由于噪声和采样的过度采样所致。 令人惊讶的是,评估数据集的准确性从57%下降到47%。 也许我做错了。
一开始我有一个张量为22000的张量的列表,每个张量的形状为(128,200)
最后,X的形状为(22000,1,128,200)。 y的形状为(22000,)
X = np.stack(X,axis=0).squeeze(X)
nsamples,nx,ny = X.shape
X = X.reshape((nsamples,nx*ny))
y = np.array(y)
over = SMOTE(sampling_strategy=0.9)
under = RandomUnderSampler(sampling_strategy=1)
steps = [('o',over),('u',under)]
pipeline = Pipeline(steps=steps)
X,y = pipeline.fit_resample(X,y)
nSmSamples,nxny = X.shape
X = X.reshape(nSmSamples,1,ny)
我做错了吗?我不确定我的重塑是否正确。
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。