Python 用多个数据集训练神经网络（KERA）

我使用的数据集对应于单个时间序列信号。每个信号都是唯一的，具有不同的数据点总数，尽管每个信号表示相同的语义数据（速度单位为mph）

我正在与Keras合作，试图将一个基本的神经网络与数据相匹配，以便对其进行评估。下面是这方面的Python代码：

model = Sequential()
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

基本上，我将模型拟合到每个数据集，如下所示：

for file in directory:
    data = pd.read_csv(file)
    # get x_train and y_train ...
    model.fit(X_train, y_train, epochs=10)

---

这是在相同语义数据的多个数据集上训练模型的有效方法吗？

是的，您可以创建一个模型，然后在循环中调用数据进行训练，或者可以使用循环将数据堆叠在单个矩阵中，然后调用拟合函数。在第一种方法中，您将调用fit（）n次，但在较小的数据块中，而在后一种方法中，您将只调用fit（）一次，但使用大数据矩阵

---

但是，第一个更好，因为在一个矩阵中分配所有数据可能会有问题。因此，请继续您当前的实现。

每个数据集的精度会有所不同吗？例如，第一个模型经过10个时代后，其精度可能达到约94%。然后，对于第二个数据集，精度从~65开始。这正常吗？在94%之后获得65%是可以的。这是因为，您的第一个数据集可能并没有覆盖数据的整个向量空间。因此，添加了第二个数据集，扩展了向量空间。然而，由于模型是在第一集上训练的，而第一集可以访问有限的特征空间，因此它的性能会很差。一旦对两个数据集进行训练，就可以得到所需的模型，该模型将更加健壮和准确。要进行测试，您可以从每个数据集中提取一些点，然后只对第一个数据集进行训练。稍后，测试所有数据点。您会注意到，第一组数据点表现良好，而另一组数据点表现不佳。然后继续第二组数据集的训练。之后，模型在第1组和第2组的表现都会更好，但在第3组的表现就不那么好了。所以继续训练直到所有的套路都用尽。一旦您这样做并测试来自每个数据集的数据点，您将注意到模型在所有点上都表现良好。太好了。有没有办法评估模型的整体准确性？我知道model.evaluate只需要一个数据集，但我是否需要对我正在培训的每个数据集求model.evaluate的平均值？