Machine learning 卷积神经网络与多类分类_Machine Learning_Neural Network_Conv Neural Network

Machine learning 卷积神经网络与多类分类

machine-learning neural-network

Machine learning 卷积神经网络与多类分类,machine-learning,neural-network,conv-neural-network,Machine Learning,Neural Network,Conv Neural Network,我试图建立一个CNN模型，将时间序列数据分为三类：a、B、C。C类最难检测，因为它在某种程度上接近a和B，但a和B是不同的。我有一个大约60000个样本的平衡数据集。该模型在分类A和B时表现良好，F1得分为75%，每类为80%，但在第三类C中表现不佳，后者的F1得分为55% 如果我想增强C的结果，那么为C添加比其他两个类（a和B）更多的训练样本，而不是平衡数据集，这是一个好主意吗？如何使模型更加重视C而不过度拟合C 在任何分类工作中，无论是CNN还是其他方法，都会有权衡，尤其是当两个或更多的数

我试图建立一个CNN模型，将时间序列数据分为三类：a、B、C。C类最难检测，因为它在某种程度上接近a和B，但a和B是不同的。我有一个大约60000个样本的平衡数据集。该模型在分类A和B时表现良好，F1得分为75%，每类为80%，但在第三类C中表现不佳，后者的F1得分为55%

如果我想增强C的结果，那么为C添加比其他两个类（a和B）更多的训练样本，而不是平衡数据集，这是一个好主意吗？如何使模型更加重视C而不过度拟合C

在任何分类工作中，无论是CNN还是其他方法，都会有权衡，尤其是当两个或更多的数据集有任何程度的重叠时

过拟合网络不会改善测试数据的分类。更安全的方法是改进每个类的表示

不平衡的阶级将使网络偏向多数阶级。您可以尝试使用这些数据来抵消不平衡。

谢谢您的回复。我想知道，如果我使用不平衡的数据集，是否总是会导致过度拟合？假设我使用40%作为C:30%作为B:30%作为A@ryh12从技术上讲，不，这不一定会导致过度装配。但是，正如斯图在下面提到的，它可能会在你的模型中产生意想不到的偏差。一个显而易见的问题是你的训练数据有多准确？你可能想考虑修剪你的训练集。