我有一组属于 5 个不同类别的时间序列数据。 [ EEG 数据(1 秒 1 个数据点)。这些数据被分为 30-40 秒的 epoch，每个 epoch 被分为不同的类别，如 A、B、C、D、E]。所以基本上我有大约 13500 个标记数据。
[10,5,48,75,1,...,22,45,8] = A
[26,47,8,77,4,...,56,88,96] = B like wise
我所做的是将这些数据直接输入神经网络并训练模型。但准确率很低，只有 40% 左右。想知道的不仅仅是使用神经网络，训练时间序列数据的最佳模型是什么？
最佳答案
对于时间序列数据，某些架构表现得相当好:
- 递归神经网络(例如 LSTM、GRU 或 BERT)，旨在对数据序列进行训练
这可能是一个例子:https://arxiv.org/pdf/1812.04818.pdf
内部工作原理:link
keras 中的示例实现:link ，然后你应该找到/设计你自己的架构
- TCN，它使用因果卷积和扩张卷积来捕获时间序列数据
示例:https://arxiv.org/pdf/1905.03806.pdf
这是如何工作的:link
在 keras 中的实现:link
我个人会选择那些类型的架构，非常适合时间序列数据。
关于tensorflow - 训练时间序列数据的最佳机器学习模型是什么？ [不预测]，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/59675738/