Python LSTM不'；我学不会 我在LSTM中用不平衡数据集和二进制分类进行斗争，我把问题看作时间序列。< /P>

我的模型有大约70%的准确度，但它安装过度（列车acc=73,68%测试acc=73,75%）

事实上，在一条纪元线变平之后，我猜我可以假设这个模型根本没有学习

我读

我了解到，当我有tf数据集时，类_权重无法应用

我试图预测停车位的占用率，所以我的y=0或1

所以我想样本重量可以帮助解决我的问题。编译区中的sample\u weight\u mode=“temporal”不会改变任何内容

opt = SGD(lr=0.35)

model.compile(loss='binary_crossentropy',
              metrics=['accuracy'],
              optimizer=opt,
              sample_weight_mode="temporal")
print(model.summary())

我已经尝试了很多不同层次的变化，辍学率，但也不影响结果。现在就这样

layers=[8, 1], train_examples=94027, test_examples=50584
batch = 94027, timesteps = 100, features = 2, epochs = 15
lr = 0.05, lambda = 0.03, dropout = 0.1, recurr_dropout = 0.05

编辑学习过程的可视化

你知道如何使用砝码吗？或者如果你认为问题出在其他地方，请告诉我

---

提前感谢您

您的模型没有过度拟合，我看这里没有编程问题。我进行了编辑。我想这证明了它没有学到任何东西，我认为它是过拟合的，因为测试精度>训练精度鉴于你的训练精度和测试精度非常相似，我不会说你的模型是过拟合的。您的数据集是什么样子的？抱歉，您对过度拟合有完全相反的定义（对于精度等指标，它的作用方向相反）。正如我之前所说的，你的模型并没有过度拟合。你的数字中的精确值真的很难读取。我不认为将acc和损失放在同一个数字中是一个好主意：acc将在0和1之间，而损失可能比您的情况高得多。正如史努比博士所说：当你的测试精度高于训练acc时，这并不是过度拟合的迹象（事实正好相反）。见第5章图5.3：