Python 调整GRU网络

我有一个从在线课程中收集的数据集，有大约250个问题和200多名学生。 数据集包含以下列

studentID, exerciseID, logindate, logoutdate, status, points

其中，

logindate，logoutdate

指的是每个记录签入和签出的日期和时间，

状态

指的是进度，它在0%和100%之间变化，这意味着如果状态=100，任务就解决了，然后他得到一个

点

。 我想根据以前的数据预测期末考试的结果

学生可以随心所欲地做每个练习，即使任务已经解决，每次他访问同一练习时，参数都是不同的。例如，

ax+b=0

那么在这个任务中只有

a

和

b

在变化，所以我有大约500000条记录，供所有学生和练习使用

我做了一些聚合，每周添加点，我尝试了不同的ML算法，通过应用PCA，只将学生分为三到四组（非常好，很好，令人满意，失败），得到了最好的结果，但仍然令人满意的组太混乱（我无法预测组中的天气是否通过）

现在，我正在尝试部署GRU NN进行类似的分类，如下所示。 我将这些练习视为时间步（250个时间步，作为上一个练习与下一个练习的结果），并且我做了一些特性工程，如下所示 对于每个学生x和练习b，我有

 solved, solved_duration, trying, trying_duration, trying_sstatus, check, check_duration

在解决问题的地方，soved_duraiton解决了多少次练习以及需要多长时间。

---

trying，trying\u duration，trying\u sstatus

他尝试解决它的次数，花费的时间和状态的总和0您的最后一层有一个输出，但如果您使用softmax，则需要5个输出，结果有5个输出，总和为1。然后，这5个输出大致用作每个类别的预测强度。分类/二元交叉熵损失期望预测和基本事实以向量形式出现，每个条目一个class@DerekG感谢您关于激活功能的说明。你能给我提供更多关于预测和真值作为向量的细节或例子吗？那么，假设你有

X[i]

，

y[i]

，其中

y[i]

=5。将该标签输入CCE的正确方法是

[0,0,0,0,1]

。然后假设你的模型预测

[1.01,3.04,2.65,2.45,7.65]

（只是一个任意的例子）。在softmax激活后，这将成为

[0.05,0.2,0.15,0.15,0.45]

或类似内容（总和为1）。你把这个向量和基本真值向量传递给你的损失函数，它本质上只是计算每个可能类的二进制交叉熵损失。因此，您的模型不仅可以预测正确类别的高置信度，还可以预测所有其他类别的低置信度。谢谢@DerekG

n_steps = data.ExerciseID_cat.nunique()

n_features = 8
# define model
model = Sequential()
model.add(GRU(256, activation='relu', return_sequences=True, input_shape=(n_steps, n_features)))
model.add(GRU(100, return_sequences=True,activation='relu'))
model.add(GRU(10, activation='relu'))
model.add(Dense(1, activation='softmax')) # sigmoid

model.compile(optimizer='adam', loss='categorical_crossentropy')  # mse
model.fit(X,y,epochs=1000, verbose=1, validation_split=0.2)