我有一个简单的数据集，类似于:
data = [ [[1,2], [3,4], [5,6], [7,8], [9,10]], [[10, 20], [30, 40], [50, 60], [70, 80], [90, 100]], [[0.1, 0.2], [0.3, 0.4], [0.5, 0.6], [0.7, 0.8], [0.9, 0.10]], [[0.01, 0.02], [0.03, 0.04], [0.05, 0.06], [0.07, 0.08], [0.09, 0.010]], [[11, 12], [13, 14], [15, 16], [17, 18], [19, 20]] ]其中每个输入都与其他输入非常不同。
每个输入对应不同的类别:
classes = ['A', 'B', 'C', 'D', 'E']我训练LSTM的方式如下:
# 构建模型model = Sequential()model.add(LSTM(units=units, activation='tanh', batch_input_shape=(1, None, n_features), dropout=dropout, recurrent_dropout=recurrent_dropout, return_sequences=return_sequences, stateful=stateful))model.add(Dropout(dropout_)) self.model.add(Dense(n_classes, activation='softmax'))self.model.compile(loss='categorical_crossentropy', optimizer=optimizer, metrics=['accuracy'])# 训练model.fit(x=np.array(data), y=np.array(classes), batch_size=1)我能在训练集上达到100%的准确率。然而，当我尝试在子序列上进行预测时，它完全无法识别子序列所属的类别！例如:
[[1,2], [3,4]][[10, 20], [30, 40], [50, 60]][[0.1, 0.2], [0.3, 0.4], [0.5, 0.6]][[0.01, 0.02], [0.03, 0.04]][[11, 12], [13, 14]]对上述内容应用不同的参数，例如units, dropout …等。为了解决过拟合问题（如果有的话），这些尝试都没有效果。
总结:
无论训练的轮次、参数调整以及使用了不同的优化器和学习率等，子序列上的预测准确率从未超过60%！
我想从这个数据集过渡到更大的数据集，但首先我无法让这个工作正常运行。
回答：
你应该首先将数据集划分为训练和验证（开发）数据集。可能还需要一个测试集。然后在验证数据集上测量性能。
你还可以用子序列的例子来增强你的数据集，并在这些数据上进行训练和验证。
