路缘石密网覆盖

Question

我试图使用keras从加速度计信号构建一个活动分类器。然而，即使是最简单的模型，我也在经历数据的过度拟合。在

输入数据为形状（10,3），包含大约0.1秒来自加速度计的三维数据。模型很简单

model = Sequential()
model.add(Flatten(input_shape=(10,3)))
model.add(Dense(2, activation='softmax'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

对于步行活动，模型应输出标签[1,0]，对于非步行活动，应输出标签[0,1]。经过训练，我得到99.8%的准确率（如果它是真的…）。当我试图预测未用于培训的数据时，我得到了50%的准确率，验证了除了预测单个类值之外，网络并没有真正“学习”任何东西。在

数据是从100hz三轴加速度计信号准备的。我不会以任何方式对数据进行预处理，除了将其窗口化到长度为10的箱子中，这些箱子与前一个箱子重叠50%。我可以采取什么措施使网络产生实际的预测？我试过增大窗口大小，但结果保持不变。如有任何建议/一般提示，我们将不胜感激。在

伊恩

Answer 1

过拟合问题是由输入数据类型引起的。传递给分类器的值应该是带2位小数的浮点值。在这个过程中的某个地方，这些值中的一些已经被放大，并且明显超过了小数点后2位。也就是说，输入应该看起来像

[9.81, 10.22, 11.3]

但是看起来像

^{pr2}$

分类器基于此特征进行预测，这显然不是期望的行为！课程学习-确保数据准备一致！感谢@umutto对随机森林的建议，简单的结构有助于诊断目的。在

Answer 2

尝试添加一些隐藏层和退出层到你的网络。您可以创建一个简单的Multi Layer Perceptron (MLP)，在平坦层和密集层之间添加几行：

model.add(Dense(64, activation='relu', input_dim=30))
model.add(Dropout(0.25))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.1))

Or check out this guide.它解释了如何创建一个简单的MLP。在

没有任何隐藏层，你的模型实际上不会从输入数据中“学习”，而是将输入的特征数映射到输出的特征数。在

添加的层越多，它就应该从输入数据中提取出更多的中间特性和模式，从而为测试数据提供更好的模型预测。由于层数过多会导致过度拟合，因此要设计出最佳的模型会有很多尝试和错误。在

您没有提供有关如何训练模型的信息，因此这也可能是问题的原因。您必须确保将数据放入培训、测试和验证集。用于培训、验证和测试数据的一些可能的分割比为：60%：20%：20%，或70%：15%：15%。这最终也是你必须决定的。在