Keras 多类分类预测总是相同的标签

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特征；

ecg（心电图）、gsr（皮肤电反应）、temp（温度）

在我的数据集中，共有 312 条记录属于参与者，每条记录中有 18000 行数据。因此，当我将它们组合成一个数据框时，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 个与情绪相对应的课程。我已经用数字对这些标签进行了编码；

愤怒 = 0，平静 = 1，厌恶 = 2，恐惧 = 3，快乐 = 4，悲伤 = 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

为了给我的 CNN 提供数据，我正在重塑 train_x 和一个热编码 train_y 数据。

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

重塑后，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，它总是预测同一个类别。我尝试过增加层数、调整学习率、改变损失函数、改变优化器但是没有什么能帮助我解决这个问题。

这是混淆矩阵；

我该如何解决这个问题？提前致谢。

Answer 1

定义conv1D层有错误。从代码中，很明显您已经定义了 2 个过滤器和大小为 700 的内核，但是通常使用大约 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拆分的情况下进行训练。

`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')) `