我有一个二分类问题。我使用以下Keras模型进行分类。
input1 = Input(shape=(25,6))x1 = LSTM(200)(input1)input2 = Input(shape=(24,6))x2 = LSTM(200)(input2)input3 = Input(shape=(21,6))x3 = LSTM(200)(input3)input4 = Input(shape=(20,6))x4 = LSTM(200)(input4)x = concatenate([x1,x2,x3,x4])x = Dropout(0.2)(x)x = Dense(200)(x)x = Dropout(0.2)(x)output = Dense(1, activation='sigmoid')(x)然而，我的结果非常差。我认为原因是我有太多的特征，因此在concatenate之后需要更好的层。
我也在考虑在concatenate之后使用flatten()层是否会有帮助。
无论如何，由于我是深度学习的新手，我不太确定如何使这个模型更好。
如果需要，我很乐意提供更多细节。
回答：
这是我的建议
-
移除所有防止过拟合的元素，如Dropout和正则化器。可能的情况是，您的模型无法使用给定的层捕捉数据的复杂性，因此您需要确保您的模型能够先过拟合，然后再添加正则化器。
-
现在尝试增加Dense层的数量和每层的神经元数量，直到您看到一些改进。也有可能您的数据太嘈杂，或者您只有少量数据来训练模型，因此无法生成有用的预测。
-
现在如果您幸运并且可以看到过拟合，您可以添加Dropout和正则化器。
因为每个神经网络都是基于梯度的算法，您可能会陷入局部最小值。您可能需要多次运行算法，使用不同的初始权重，才能得到好的结果，或者您可以更改损失函数，使其成为一个凸问题，其中局部最小值即为全局最小值。
如果您无法获得更好的结果
您可能需要尝试不同的拓扑结构，因为LSTM只是试图建模一个假设具有马尔可夫特性的系统。您可以查看嵌套LSTM或类似的东西，这些模型系统的方式是下一个时间步不仅仅依赖于当前时间步。
