Python Keras多类分类预测的标签总是相同的

我想训练一个模型，从物理信号预测一个人的情绪。我有三个物理信号，并使用它作为输入功能

ecg（心电图）、gsr（皮肤电反应）、温度（温度）

在我的数据集中，参与者共有312条记录，每条记录中有18000行数据。因此，当我将它们组合到单个数据帧中时，总共有5616000行

这是我的

xu列车

数据帧

           ecg     gsr   temp
0        0.1912  0.0000  40.10
1        0.3597  0.0000  40.26
2        0.3597  0.0000  40.20
3        0.3597  0.0000  40.20
4        0.3597  0.0000  40.33
5        0.3597  0.0000  40.03
6        0.2739  0.0039  40.13
7        0.1641  0.0031  40.20
8        0.0776  0.0025  40.20
9        0.0005  0.0020  40.26
10      -0.0375  0.0016  40.03
11      -0.0676  0.0013  40.16
12      -0.1071  0.0010  40.20
13      -0.1197  0.0047  40.20
..      .......  ......  .....
..      .......  ......  .....
..      .......  ......  .....
5616000 0.0226  0.1803  38.43

我有6门课，与情绪相对应。我用数字对这些标签进行编码

愤怒=0，平静=1，厌恶=2，恐惧=3，快乐=4，悲伤=5

这是我的火车

         emotion
0              0
1              0
2              0
3              0
4              0
.              .
.              .
.              .
18001          1
18002          1
18003          1
.              .
.              .
.              .
360001         2
360002         2
360003         2
.              .
.              .
.              .
.              .
5616000        5

为了给我的CNN提供信息，我正在重塑x列，并对y列数据进行热编码

train_x = train_x.values.reshape(312,18000,3) #because I have 18000 rows in each record and 3 input features
train_y = train_y.values.reshape(312,18000)

trunc_train_y = train_y[:,:1] # to get 1 label for every 18000 column vector of signal
train_y_enc = pd.DataFrame(trunc_train_y) 
train_y_enc = pd.get_dummies(train_y_enc[0]) # one hot encoded labels

重塑之后，我创建了我的CNN模型

model = Sequential()
model.add(Conv1D(2,700,activation='relu',input_shape=(18000,3)))
model.add(Conv1D(2,700,activation='relu'))
model.add(MaxPooling1D(4))
model.add(Conv1D(2,700,activation='relu'))
model.add(Conv1D(2,700,activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))
model.add(Dense(6,activation='softmax'))

model.compile(optimizer = sgd, loss = 'categorical_crossentropy', metrics = ['acc'])
model.fit(train_x,train_y_enc,epochs = 300, batch_size = 32, validation_split=0.33, shuffle=False)

问题是，准确度不会超过0.2，当我检查预测时，它总是预测同一类。我曾尝试增加层数，使用学习率，更改损失函数，更改优化器，但没有任何帮助我解决这个问题

这是混淆矩阵

---

我怎样才能解决这个问题？提前感谢。

定义conv1D层时出错。从代码中可以明显看出，您已经定义了2个过滤器和大小为700的内核，但是通常大约使用3个过滤器，并且没有使用大量过滤器。尝试使用此选项并在不进行验证拆分的情况下进行培训

`model = Sequential() 
 model.add(Conv1D(64, 3, activation='relu', input_shape=(18000, 3))) 
 model.add(Conv1D(64, 3, activation='relu')) 
 model.add(MaxPooling1D(3)) 
 model.add(Conv1D(128, 3, activation='relu')) 
 model.add(Conv1D(128, 3, activation='relu')) 
 model.add(GlobalAveragePooling1D()) 
 model.add(Dropout(0.5)) 
 model.add(Dense(6, activation='softmax')) `

---

定义conv1D层时出错。从代码中可以明显看出，您已经定义了2个过滤器和大小为700的内核，但是通常大约使用3个过滤器，并且没有使用大量过滤器。尝试使用此选项并在不进行验证拆分的情况下进行培训

`model = Sequential() 
 model.add(Conv1D(64, 3, activation='relu', input_shape=(18000, 3))) 
 model.add(Conv1D(64, 3, activation='relu')) 
 model.add(MaxPooling1D(3)) 
 model.add(Conv1D(128, 3, activation='relu')) 
 model.add(Conv1D(128, 3, activation='relu')) 
 model.add(GlobalAveragePooling1D()) 
 model.add(Dropout(0.5)) 
 model.add(Dense(6, activation='softmax')) `

---

你对数据的处理看起来很奇怪。我认为应该是

（train\u sample\u length，num\u features）

。另外，为什么您的

列车是
（31218000）
形状的？它应该是
（train\u sample\u length，num\u classes）。
我可以在您的案例中看到
num\u features=3
和
num\u classes=5
@Anakin，因为我总共有312条不同的记录。我正在转换信号，使每个信号序列对应于一行。因此，每行有18006列（信号长度+一个热编码标签）。我在做转置操作，因为我不想标记信号的每一毫秒，最好转置它并只标记一次。得到312部分。也许你应该考虑整个5616000行和洗牌的数据，并分为培训和validation@Anakin，如果我将它以5616000行的形式洗牌，那么所有的信号结构都会被破坏。也许我把你的问题搞错了。好的，告诉我：对于预测，您想输入一个3d向量
[ecg gsr temp]
并预测
情绪吗？您对数据的处理看起来非常奇怪。我认为应该是
（train\u sample\u length，num\u features）
。另外，为什么您的
列车是
（31218000）
形状的？它应该是
（train\u sample\u length，num\u classes）。
我可以在您的案例中看到
num\u features=3
和
num\u classes=5
@Anakin，因为我总共有312条不同的记录。我正在转换信号，使每个信号序列对应于一行。因此，每行有18006列（信号长度+一个热编码标签）。我在做转置操作，因为我不想标记信号的每一毫秒，最好转置它并只标记一次。得到312部分。也许你应该考虑整个5616000行和洗牌的数据，并分为培训和validation@Anakin，如果我将它以5616000行的形式洗牌，那么所有的信号结构都会被破坏。也许我把你的问题搞错了。好的，告诉我：对于预测，是否要输入3d向量
[ecg gsr temp]
，并预测
情绪
？这与其说是答案，不如说是一个注释。如果我删除GlobalAvaragePoolling1D（），它会生成一个错误<代码>检查目标时出错：预期稠密_9有3维，但得到了形状为（312，6）的数组。
这与其说是答案，不如说是注释。如果删除GlobalAvaragePoolling1D（），它将生成一个错误<代码>检查目标时出错：预期密集_9有3维，但得到了形状为（312，6）的数组。