我正在构建一个用于未来预测的时间序列模型，该模型由 2 个 BILSTM 层和一个密集层组成。我总共有 120 种产品来预测它们的价值。而且我有一个相对较小的数据集（为期 2 年的每月数据 => 最多 24 个时间步长）。因此，如果我查看整体验证准确性，我会得到：

在每个时期，我将模型权重保存到内存中，以便将来随时加载任何模型。

当我查看不同产品的验证准确性时，我得到了以下信息（这大致是针对一些产品的）：

对于这个产品，我可以使用 epoch ~90 保存的模型来预测这个模型吗？

以及以下产品，我可以使用 epoch ~40 保存的模型进行预测吗？

我在作弊吗？请注意，产品种类繁多，购买行为也各不相同。对我来说，遵循这个策略，相当于训练了 120 个模型（给定 120 种产品），同时为每个模型提供更多数据作为奖励，希望每个产品都能取得更好的成绩。我在做一个公平的假设吗？

任何帮助深表感谢！

如何将职位描述分类到各自的行业？

我正在尝试使用 LSTM 对文本进行分类，特别是将职位描述转换为行业类别，不幸的是，到目前为止我尝试过的事情只产生了 76% 的准确率。

使用 LSTM 对 30 多个类别的文本进行分类的有效方法是什么？

我尝试了三种选择

型号_1

Model_1 的测试准确率达到 65%

• 嵌入维度 = 80

• 最大序列长度 = 3000

• 纪元 = 50

• 批量大小 = 100

型号_2

Model_2 测试准确率达到 64%

型号_3

Model_3 测试准确率达到 76%

我想知道如何提高网络的准确性。

一直在尝试构建一个 CNN 来对 MFCC 数据进行分类，但该模型立即过拟合。

数据：

• 18 000 个文件（80% 训练，20% 测试）
• 5 个标签

数据中的 5 个类别都是等量的。这个模型的创建是为了处理比 18k 更多的文件，所以我被告知要尽我所能减少网络，这可能会有所帮助。

将过滤器从 (3,3) 减少到 (1,1)，尝试减少隐藏神经元数量甚至减少层数量。我只是卡住了，有人有什么想法吗？

无论发生什么，在使用测试数据测量准确度时，我的准确度都不会高于 60-65%。

型号代码：

型号总结：

MFCC 示例 (192x192)

模型精度

模型损失

有大量文章描述过拟合，以及如何解决它们。一般定义是

过拟合可以通过检查准确性和损失等验证指标来识别。当模型受到过度拟合的影响时，验证指标通常会增加，直到它们停滞或开始下降。在上升趋势中，模型会寻求良好的拟合，当实现时，会导致趋势开始下降或停滞。

问题：我们是否应该只考虑验证准确度和损失来确定过拟合？

就我而言，我正在使用 IEMOCAP 数据集，我的最终指标如下所示。

混淆指标是这样的，

当我将它与其他实验结果进行比较时，这种混淆指标似乎很好。但是我的准确率和损失图清楚地显示了过度拟合。

模型损失

模型精度

那么如何判断过拟合呢？我们还要考虑哪些其他参数？

使用 keras simpleRNN 层，我正在撞墙。我还有另外两个模型，一个只有完全连接的 Dense 层，一个使用 LSTM，它按预期工作，所以我认为问题不是数据处理。

对于上下文，我使用的是 tf.keras reuters 数据集，该数据集是标记化的，输出数据由我分类的 46 个可能的标签组成。

数据的外观和处理方式

下面是模型代码。

我正在使用以下参数进行拟合

拟合这个模型，val_accuracy 始终为 0,3762，val_loss 为 ~3,4。从图中可以清楚地看到这个“天花板”：

我尝试过的事情：更改超级参数，更改输入数据形状，尝试不同的优化器。

任何提示表示赞赏，谢谢。并感谢帮助编辑我的帖子以使其更易于理解的人:)

其他两个模型的图表，处理相同的数据：

仅密集层

长短期记忆体

首先，对不起我的英语，

我在使用 tensorflow 的项目中遇到问题，我必须编写一个字典（英语--> 德语），我知道要找出问题所在并不容易：/ 它正在杀死我，我在这里为任何问题。谢谢

输入：

1. 输入：

形状为 (16, 14, 128) ：

-batch -单词数（1<words<13）并使用函数映射数据集，该数据集在序列之前用一些不同的填充值填充每个英语嵌入序列，以便每个序列的长度为 13

128 之后

2. 输入_德语

形状 (16,14) 带有“ <start> ”和“ <end> ”标记到开头和结尾

验证损失的问题：

这里周一代码：

我想使用 CNN 制作一个图像分类器。数据集中有两种类型的图像：男性和女性。总共有 2300 张图像，其中 20% 用于验证。问题是我的模型由于过度拟合而根本不好（我认为这就是问题所在），但我无法弄清楚为什么我的模型过度拟合如此糟糕（请打开下图的链接。y 的最大值是 3.5）这是我用来进行双分类预测的 keras 模型

我通常会得到这种结果

我有点困惑，因为我正在训练一个模型，该模型在训练数据上产生大约 88% 的 CV 分数，而在我提交后，相同的模型在测试数据上表现不佳（分数为 0.75）。准确率下降 12 点不可能都是由于过度拟合，不是吗？有任何想法吗？你在你的模型/提交中遇到过这样的差距吗？

有关模型和结果，请参见随附的图像。

################################################# ########

准确率：88.13% (2.47%)

我正在尝试为 Mercedes Greener Manufacturing 数据集建立一个通用模型。所以，我正在尝试使用 XGBoost Regressor 来达到同样的效果。我使用了一个 1-100 的循环作为训练测试集的种子，以便获得更好的采样。我使用 PCA 将尺寸减小到 8 。

如何使用 xgboost 进行微调，以免我得到过拟合的模型？

输出

我在个性化数据集上应用了 Sklearn DecisionTreeClassifier() 来执行二进制分类（0 类和 1 类）。

最初课程不平衡，我尝试使用以下方法平衡它们：

因此，我的数据集与第 1 类的 186404 个样本和第 2 类的 186404 个样本平衡。训练样本为：260965，测试样本为：111843 我计算了使用的准确度sklearn.metrics，得到了下一个结果：

因此，我在测试和训练阶段都获得了 100% 的准确率，我确信结果是异常的，尽管我在拆分数据之前已经对数据进行了洗牌，但我无法理解这是过度拟合还是数据泄漏。然后我决定使用

我得到了下一个数字，但我无法解释：

我尝试了另外两种分类算法：Logistic Regression 和 SVM，我得到了下一个测试准确率：分别为 99,84 和 99,94%。

更新 在我的原始数据集中，我映射了 4 个分类列，然后使用下一个代码：

在使用 RandomUnderSampler 对我的原始数据进行欠采样以获得类平衡后，我将数据拆分为训练和测试数据集 train_test_split 的 sklearn

任何想法都可能对我有帮助！