Keras 如何为多对一二进制分类LSTM准备数据？

我有一个38000名不同患者的时间序列数据集，包括他们48小时的生理数据和30个特征，因此每个患者有48行（每小时）和一个二元结果（0/1），仅在第48小时结束时，总训练集是

（38000*48=1824000）

行

据我所知，这是一个多对一LSTM二元分类，因此我的输入形状应该是

（38000,48,30）（样本大小、时间步长、特征）

，并且返回序列应该设置为False以仅返回最后一个隐藏神经元的输出吗

有人能回顾一下我对这件事的理解吗

---

谢谢。

是的，你基本上是对的：

• 输入的形状=

  （患者，48，30）

• 目标形状=

  （患者，1）

---

您应该在最后一个LSTM层中使用

return\u sequences=False

。（如果您在最后一次LSTM之前有更多的重复层，请在其中保留

return\u sequences=True

）

是的，大部分情况下您的思路是正确的。请参阅下面的代码以更好地理解这一点

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.layers import Bidirectional
from keras.metrics import binary_crossentropy

# vocab size
total_features = 30
no_of_pateints = 38,000
time_steps = 48


model = Sequential()

# you can also use Bidirectional layer to speed up the learning and reduce 
# training time and here you can keep return_sequence as true
# model.add(
    Bidirectional(LSTM(
        units=100, 
        input_shape=(no_of_patients, time_steps, total_features), 
        return_sequences=True
    )))
# return_sequence should be False if there is only one LSTM layer. Otherwise in case of multiple layers, 
the last layers should have return_sequence as False
model.add(LSTM(
    units=100, 
    input_shape=(no_of_patients, time_steps, total_features), 
    return_sequences=False 
    ))
model.add(Dense(2, activation='softmax'))
model.compile(
    loss=binary_crossentropy,
    optimizer='rmsprop',
    metrics=['accuracy']
)

---

如果您对上述代码有任何疑问或需要更多解释，请告诉我

嘿，非常感谢！“我会应用它的。@AnushaPrakash，如果它对你有效，请接受它作为答案。”。所以它也可以帮助其他人。@Abinav Anand是的，当然。另外，因为我想要二元类的概率，我会将输出神经元的数量从2改为1，并将激活改为sigmoid。听起来合理吗？@AnushaPrakash很抱歉，fpr的回复太晚了，但是你需要将输出神经元保持在2，因为你想看到的是两个输出类的概率，而不仅仅是一个。在分类问题的情况下，我个人的偏好是将softmax保留为激活状态，但这完全取决于您。是的，我可以这样做，并检查哪个最适合我的问题。谢谢。是的，我计划使用不止一个循环层。谢谢！：）