python - Keras 多类分类预测始终相同的标签

Question

我想训练一个模型来根据物理信号预测一个人的情绪。我有三个物理信号并将其用作输入功能；

ecg(Electrocardiography), gsr(galvanic skin response), temp(temparature)

在我的数据集中，共有 312 条属于参与者的记录，每条记录中有 18000 行数据。因此，当我将它们合并到一个数据框中时，总共有 5616000 行。

这是我的x_train数据框；

           ecg     gsr   temp
0        0.1912  0.0000  40.10
1        0.3597  0.0000  40.26
2        0.3597  0.0000  40.20
3        0.3597  0.0000  40.20
4        0.3597  0.0000  40.33
5        0.3597  0.0000  40.03
6        0.2739  0.0039  40.13
7        0.1641  0.0031  40.20
8        0.0776  0.0025  40.20
9        0.0005  0.0020  40.26
10      -0.0375  0.0016  40.03
11      -0.0676  0.0013  40.16
12      -0.1071  0.0010  40.20
13      -0.1197  0.0047  40.20
..      .......  ......  .....
..      .......  ......  .....
..      .......  ......  .....
5616000 0.0226  0.1803  38.43

我有 6 个与情绪相对应的类。我已经用数字对这些标签进行了编码；

anger = 0, calmness = 1, disgust = 2, fear = 3, happiness = 4, sadness = 5

这是我的 y_train；

         emotion
0              0
1              0
2              0
3              0
4              0
.              .
.              .
.              .
18001          1
18002          1
18003          1
.              .
.              .
.              .
360001         2
360002         2
360003         2
.              .
.              .
.              .
.              .
5616000        5

为了向我的 CNN 提供数据，我正在 reshape train_x 并对 train_y 数据进行热编码。

train_x = train_x.values.reshape(312,18000,3) #because I have 18000 rows in each record and 3 input features
train_y = train_y.values.reshape(312,18000)

trunc_train_y = train_y[:,:1] # to get 1 label for every 18000 column vector of signal
train_y_enc = pd.DataFrame(trunc_train_y) 
train_y_enc = pd.get_dummies(train_y_enc[0]) # one hot encoded labels

reshape 后，我创建了我的 CNN 模型；

model = Sequential()
model.add(Conv1D(2,700,activation='relu',input_shape=(18000,3)))
model.add(Conv1D(2,700,activation='relu'))
model.add(MaxPooling1D(4))
model.add(Conv1D(2,700,activation='relu'))
model.add(Conv1D(2,700,activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))
model.add(Dense(6,activation='softmax'))

model.compile(optimizer = sgd, loss = 'categorical_crossentropy', metrics = ['acc'])
model.fit(train_x,train_y_enc,epochs = 300, batch_size = 32, validation_split=0.33, shuffle=False)

问题是，准确率不会超过 0.2，当我检查预测时，它总是预测同一类。我尝试过增加层数、调整学习率、更改损失函数、更改优化器，但是没有任何帮助我解决这个问题。

这是混淆矩阵；

如何解决这个问题？提前致谢。

Answer 1

定义 conv1D 层时存在错误。从代码中可以明显看出，您定义了 2 个过滤器和大小为 700 的内核，但通常大约有 3 个过滤器，并且没有使用大量过滤器。尝试使用它并在没有验证分割的情况下进行训练。

`model = Sequential() 
 model.add(Conv1D(64, 3, activation='relu', input_shape=(18000, 3))) 
 model.add(Conv1D(64, 3, activation='relu')) 
 model.add(MaxPooling1D(3)) 
 model.add(Conv1D(128, 3, activation='relu')) 
 model.add(Conv1D(128, 3, activation='relu')) 
 model.add(GlobalAveragePooling1D()) 
 model.add(Dropout(0.5)) 
 model.add(Dense(6, activation='softmax')) `