如何在python中处理具有许多特性的LSTM？

我有一个二进制分类问题。我使用以下keras模型进行分类

input1 = Input(shape=(25,6))
x1 = LSTM(200)(input1)
input2 = Input(shape=(24,6))
x2 = LSTM(200)(input2)
input3 = Input(shape=(21,6))
x3 = LSTM(200)(input3)
input4 = Input(shape=(20,6))
x4 = LSTM(200)(input4)
x = concatenate([x1,x2,x3,x4])
x = Dropout(0.2)(x)
x = Dense(200)(x)
x = Dropout(0.2)(x)
output = Dense(1, activation='sigmoid')(x)

然而，我得到的结果非常糟糕。我认为原因是我有太多的功能，因此，需要在

连接后有更多的改进层


我还在想，在
连接后使用flatte（）层是否有帮助

无论如何，因为我是一个新的深入学习，我不太确定如何使这成为一个更好的模式

如果需要，我很乐意提供更多细节。
在输出层之前退出的
可能会有问题。我建议删除
退出
层和评估性能，然后在模型在训练集中表现良好时重新引入正则化

移除所有防止过度装配的东西，例如脱落和正则化器。可能发生的情况是，您的模型可能无法使用给定的层捕获数据的复杂性，因此在添加正则化器之前，您需要确保您的模型能够首先进行过度拟合

现在试着增加致密层的数量和每层神经元的数量，直到你们能看到一些改善。还有一种可能是您的数据太过嘈杂，或者您只有很少的数据来训练模型，因此您甚至无法生成有用的预测

现在，如果您是幸运的，并且您可以看到过度拟合，您可以添加Dropout和regularizer

因为每个神经网络都是基于梯度的算法，所以最终可能会达到局部最小值。您可能还需要使用不同的初始权重多次运行该算法，然后才能获得好的结果，或者您可以更改损失函数，这样您就有了一个凸问题，其中局部最小值是全局最小值

如果你不能取得更好的结果

您可能需要尝试不同的拓扑，因为LSTM只是尝试对假定具有马尔可夫特性的系统建模。您可以查看嵌套的LSTM或类似的东西，它以这样的方式对系统进行建模，即下一个时间步不仅仅取决于当前时间步。
非常感谢您的回答。什么是规范化？有没有可能告诉我如何用python对我的模型进行正则化？对不起，正则化是一种在模型中加入惩罚项的方法，有助于避免过度拟合。澄清一下，辍学是正规化的一种形式。我的意思是，一旦模型表现良好，你可以重新引入辍学。但一般来说，如果你想引入其他形式的正则化，比如L2或L1，在Keras中很容易——文档中描述得很好：。嗨，以防万一，如果你有时间，请告诉我你对这个问题的想法：）