我一直在尝试复制之前关于结合LSTM和CNN的问题：如何在时间序列分类中结合LSTM和CNN
然而，出于某种原因，我的val_accuracy从第一个epoch开始就停留在0.4166。
有趣的是，无论模型架构如何，这个值大致相同。这让我觉得某些地方出了问题，但我不知道从哪里开始排查故障。
关于数据的一些背景信息：
-
多变量时间序列数据（5个时间步 x 20个特征），有3个可能的类别。
-
训练/验证/测试集的输入形状分别为（180000, 5, 20）/（60000, 5, 20）/（60000, 5, 20）。
-
X训练集使用sklearn的StandardScaler进行了标准化，然后在验证和测试集上进行了转换。y标签进行了独热编码。
使用LSTM和CNN的示例模型：
model = keras.Sequential()model.add(keras.layers.LSTM(200, return_sequences=True, input_shape=(X_train_scaled.shape[1], X_train_scaled.shape[2]) ))model.add(keras.layers.Conv1D(200, kernel_size=3, activation = 'relu'))model.add(keras.layers.GlobalMaxPooling1D())model.add(keras.layers.Dense(100))model.add(keras.layers.Dense(y_train.shape[1], activation='softmax'))model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['acc'])- 模型fit函数的输出：
Epoch 1/202828/2828 [==============================] - 115s 40ms/step - loss: 1.0861 - acc: 0.4100 - val_loss: 1.0836 - val_acc: 0.4166Epoch 2/202828/2828 [==============================] - 108s 38ms/step - loss: 1.0837 - acc: 0.4164 - val_loss: 1.0838 - val_acc: 0.4166Epoch 3/202828/2828 [==============================] - 114s 40ms/step - loss: 1.0828 - acc: 0.4184 - val_loss: 1.0833 - val_acc: 0.4165Epoch 4/202828/2828 [==============================] - 111s 39ms/step - loss: 1.0830 - acc: 0.4175 - val_loss: 1.0837 - val_acc: 0.4166Epoch 5/202828/2828 [==============================] - 74s 26ms/step - loss: 1.0834 - acc: 0.4161 - val_loss: 1.0835 - val_acc: 0.4164编辑：在更仔细地查看我的数据后，我现在有这样的结果：
Epoch 1/202828/2828 [==============================] - 129s 45ms/step - loss: 0.9560 - acc: 0.5143 - val_loss: 0.9044 - val_acc: 0.5479Epoch 2/202828/2828 [==============================] - 131s 46ms/step - loss: 0.8977 - acc: 0.5520 - val_loss: 0.8937 - val_acc: 0.5527Epoch 3/202828/2828 [==============================] - 116s 41ms/step - loss: 0.8887 - acc: 0.5559 - val_loss: 0.8982 - val_acc: 0.5519Epoch 4/202828/2828 [==============================] - 95s 33ms/step - loss: 0.8820 - acc: 0.5616 - val_loss: 0.8834 - val_acc: 0.5606Epoch 5/202828/2828 [==============================] - 100s 35ms/step - loss: 0.8786 - acc: 0.5624 - val_loss: 0.8823 - val_acc: 0.5580Epoch 6/202828/2828 [==============================] - 82s 29ms/step - loss: 0.8728 - acc: 0.5661 - val_loss: 0.8797 - val_acc: 0.5628Epoch 7/202828/2828 [==============================] - 120s 42ms/step - loss: 0.8723 - acc: 0.5679 - val_loss: 0.8744 - val_acc: 0.5677Epoch 8/202828/2828 [==============================] - 158s 56ms/step - loss: 0.8686 - acc: 0.5670 - val_loss: 0.8733 - val_acc: 0.5679Epoch 9/202828/2828 [==============================] - 146s 51ms/step - loss: 0.8646 - acc: 0.5714 - val_loss: 0.8764 - val_acc: 0.5667Epoch 10/202828/2828 [==============================] - 134s 47ms/step - loss: 0.8632 - acc: 0.5720 - val_loss: 0.8715 - val_acc: 0.5701Epoch 11/202828/2828 [==============================] - 141s 50ms/step - loss: 0.8612 - acc: 0.5734 - val_loss: 0.8721 - val_acc: 0.5694Epoch 12/202828/2828 [==============================] - 151s 53ms/step - loss: 0.8582 - acc: 0.5753 - val_loss: 0.8690 - val_acc: 0.5713Epoch 13/202828/2828 [==============================] - 137s 49ms/step - loss: 0.8554 - acc: 0.5792 - val_loss: 0.8694 - val_acc: 0.5699Epoch 14/202828/2828 [==============================] - 121s 43ms/step - loss: 0.8541 - acc: 0.5779 - val_loss: 0.8709 - val_acc: 0.5691Epoch 15/202828/2828 [==============================] - 134s 47ms/step - loss: 0.8476 - acc: 0.5826 - val_loss: 0.8643 - val_acc: 0.5766Epoch 16/202828/2828 [==============================] - 137s 48ms/step - loss: 0.8453 - acc: 0.5838 - val_loss: 0.8664 - val_acc: 0.5742Epoch 17/202828/2828 [==============================] - 152s 54ms/step - loss: 0.8409 - acc: 0.5872 - val_loss: 0.8716 - val_acc: 0.5683Epoch 18/202828/2828 [==============================] - 150s 53ms/step - loss: 0.8391 - acc: 0.5892 - val_loss: 0.8663 - val_acc: 0.5726Epoch 19/202828/2828 [==============================] - 133s 47ms/step - loss: 0.8341 - acc: 0.5920 - val_loss: 0.8687 - val_acc: 0.5766Epoch 20/202828/2828 [==============================] - 117s 41ms/step - loss: 0.8331 - acc: 0.5913 - val_loss: 0.8643 - val_acc: 0.5764回答：
你尝试调整模型架构的做法是好的，但你遇到的问题很可能在于数据集的构建方式。
你得到的恒定准确率很可能是由于网络只预测了一个类别（实际上，你的某个类别目标分布为41%）。
我的建议是关注数据，而不是模型的架构。从100个单元切换到200个单元并不会解决你的问题；相反，我建议你尝试默认使用’adam’优化器，并微调学习率。
话虽如此，考虑到你的问题，你用于这种分类的时间步是否足够？5个时间步可能不足以让你的模型捕捉到数据集中的模式。
所有特征真的都必要吗？你可以尝试使用RandomForest/XGBoost来消除对因变量(y)没有重大贡献的所有特征。
从重新审视数据集和你试图解决的任务开始。确保时间序列数据本身是有意义的，而不是纯粹的噪音。尝试在数据集的一小部分上过拟合，然后再进行整个数据集的训练。
