Machine learning 如何对Keras中的系列数据进行分类？

我的输入数据的结构是：

print(df.col)

0[26233039252784,0,0]
1    [262, 290, 330, 392, 522, 784, 0]
2    [262, 330, 392, 522, 784, 0, 0]
3    [250, 262, 330, 392, 522, 784, 0]
4    [262, 290, 306, 330, 392, 784, 0]
.
.
.

我有可变大小的数据，所以我在最后添加了0的填充来修复输入数据的形状

输出列为：

打印（df.predict）
数组（[[0,0,0,1.]），
[1., 0., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 1., 0.],
[0., 0., 1., 0.],
[0., 1., 0., 0.],...])

输出是一个热编码

以下是我的模型：

model=Sequential（）
模型添加（密集（7，激活=relu'，输入=7））
model.add（密集（10，activation='relu'））
model.add（密集（10，activation='relu'））
模型.添加（密度（4））
compile（loss='classifical_crossentropy'，optimizer='adam'，metrics=['accurity']）
#符合模型
模型拟合（X\u序列，y\u序列，历代数=500，批量大小=10，详细度=2）

精度和损耗在2-3个周期后变得恒定

1/500时代
0s-损耗：5.8413-附件：0.1754
纪元2/500
0s-损失：5.7398-附件：0.1754
纪元3/500
0s-损失：5.7190-附件：0.1754
纪元4/500
0s-损耗：5.6885-附件：0.1754
纪元5/500
0s-损失：5.6650-附件：0.1754
纪元6/500
0s-损失：5.6403-附件：0.1754
纪元7/500
0s-损耗：5.6164-附件：0.2456
纪元8/500
0s-损耗：5.5900-附件：0.2456
纪元9/500
0s-损耗：5.5730-附件：0.2456
...
0s-损失：5.3727-附件：0.1754
纪元499/500
0s-损失：5.3727-附件：0.1754
纪元500/500
0s-损失：5.3727-附件：0.1754

我有72个数据点和4个类（每个类大约18个样本） 数据相当简单。为什么准确度这么低

模型设计正确吗？ 我是ML和Keras的新手。非常感谢您的帮助。

尝试此

模型。添加（layers.Dense（4，activation='softmax'））

作为最后一层

---

如果您有两个以上的分类类别，您最终将需要一个softmax层。这是一个函数，它输出4个不同类的概率（全部加1），概率最高的一个将是您的类。这样，您的网络将能够学习所有4个不同的类，而不是仅学习两个。

对分类问题使用线性激活非常糟糕，请尝试将最后一层的激活更改为softmax，并报告结果；）每次运行模型时，精度都会发生变化。我试过softmax，但我的精确度仍然很差。纪元1/1000 0年代-损失：12.8945-acc:0.2000纪元2/1000 0年代-损失：12.8945-acc:0.2000纪元3/1000 0年代-损失：12.8945-acc:0.2000纪元4/1000 0年代-损失：12.8945-acc:0.2000纪元5/1000 0年代-损失：12.8945-acc:0.2000纪元6/1000 0年代-损失：12.8945-acc:0.2000