Tensorflow 基于过去和未来值的每个时间序列步骤的二进制分类

我目前面临一个机器学习问题，我已经到了需要一些帮助才能继续的地步

我有传感器跟踪的各种位置（

x

，

y

，

z

）数据的时间序列。我开发了更多的功能。例如，我光栅化了整个3D空间，并计算了每个时间步的

单元格x

、

单元格y

和

单元格z

。时间序列本身具有可变长度

我的目标是建立一个模型，用标签

0

或

1

（基于过去和未来值的二进制分类）对每个时间步进行分类。因此，我有很多训练时间序列，其中的标签已经设置好了

有一件事可能非常有问题，那就是数据中几乎没有

1

的标签（例如，800个样本中只有3个标有

1

）

如果有人能在正确的方向上帮助我，那就太好了，因为有太多可能的问题：

• 错误的超参数
• 模型不正确

• 1

  的标签太少，但我认为这不是什么大问题，因为我只需要模型来建议正确的时间步。所以我只使用输出的峰值
• 训练数据不好或太少
• 不良特征

---

非常感谢您的帮助和提示。

您的模型看起来很奇怪。为什么在lstm层中只使用2个单元？另外，您的问题是二进制分类。在这种情况下，您应该只选择输出层中的一个神经元（尝试在和lstm层之间插入一个额外的密集层，并尝试在它们之间插入退出层）

如果没有多标签问题，二进制交叉熵对2个输出神经元没有多大意义。但如果你切换到一个输出神经元，它就是正确的。您还需要sigmoid作为激活函数

最后一个建议是：试试班级权重。

---

如果标签不平衡，这会产生巨大的差异。

可以使用tensorflow BasicLSTMCell创建模型，数据的形状适合tensorflow中的BasicLSTMCell和创建模型。希望这对你有帮助，干杯