在数据集上应用 1D CNN 需要帮助

Posted 2023-02-16

【中文标题】在数据集上应用 1D CNN 需要帮助

【英文标题】：Need help to apply 1D CNN on a dataset

【发布时间】：2022-01-16 06:17:50

【问题描述】：

我正在处理我自己的数据集，该数据集存储在 csv 文件中。它有三列： val1 | val2 |标签。共有 6 个标签。行数和列数分别为 2000 和 3。我想创建一个 1D CNN 网络，它接受输入 val1 和 val2 并可以预测标签。到目前为止我已经尝试过

df = pd.read_csv("data.csv")
x = df.drop(["label"], axis=1)   #x.shape = (2000, 2)
x = np.expand_dims(x,-1)         #x.shape = (2000, 2, 1)
y = df.label                     #y.shape = (2000, 1)
y = to_categorical(y)            #y.shape = (2000, 6)
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2)
X_train, X_valid, y_train, y_valid = train_test_split(X_train, y_train, test_size=0.2)
model = Sequential()
model.add(Conv1D(filters=256, kernel_size=2, activation='relu', input_shape=(2,1)))
model.add(Dropout(0.2))
model.add(MaxPooling1D(pool_size=1))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(6, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, y_train,
      batch_size=64,
      epochs=100,
      verbose=1,
      validation_data=(X_valid,y_valid),
      shuffle=True,
      )

上述模型仅提供最高 30% 的验证和训练准确度。

我尝试过的事情： 数据增强。 更改过滤器的数量。 增加层数。

如何提高模型的准确性？

【参考方案1】：

您可以尝试多种选择：

调整学习率 尝试不同的模型架构 尝试全连接神经网络。只有两个一维输入，你的输入中真的有一个 CNN 可以利用的网格结构吗？ FCNN 可能是更适合您的任务的架构 删除可能支持欠拟合的 dropout 假设您拟合不足，请增加网络中的神经元数量 尝试完全不同的模型类型，例如决策树、逻辑回归、SVM 或随机森林 检查您的数据。也许它不够干净，无法让网络从中推断出一些东西。应用数据清理，例如如果有不一致的地方。 提供更多数据。这始终取决于您的问题，但 2000 个数据点可能不会那么多。

这不是一个详尽的列表。第一步肯定是检查您的数据。您的训练和验证性能都很低的结果表明您拟合不足。这表明您的模型太小或过于规范化（Dropout）。我宁愿觉得你的模型太大太复杂，但这取决于你的任务。试试逻辑回归、SVM 或 FCNN。如果事实证明您的任务确实非常复杂，请尝试收集更多数据或推断问题的更多结构。