python模型训练效果没有优化_LSTM模型训练效果好，但测试结果较差，不能看出拟合过度...

以下是我的数据：

我有500个录音(任意分成训练，验证和测试集)。每个记录包含一定数量的行，每一行对应一个1s的EEG片段，换句话说，每个记录的长度等于一个EEG信号的长度(s)。每行包含22个通道*22个时间/频率特征=484个特征+输出标签(0或1)。在

所以我想执行二进制分类。在

正如许多论文(看this good paper)所建议的那样，对于每一个记录，我创建长度为look_back的序列，以便在预测每个标签时考虑到“周围”片段的特征。代码如下：def create_dataset(feat,targ, look_back=1):

semi_window=math.floor(look_back/2)

dataX, dataY = [], []

for i in range(semi_window,len(targ)-semi_window):

a = feat[i-semi_window:(i+semi_window+1), :]

dataX.append(a)

dataY.append(targ[i])

return np.array(dataX), np.array(dataY)

此函数返回大小为(samples, look_back=time_steps, features=484)的三维数组。在

为了处理不平衡的类，我测试了make_imbalance函数以删除实例以保持每个类的实例数不变，以及在loss函数中考虑到不平衡的class_weight参数。在

所以，我使用了一个LSTM模型，并使用earlystup回调参数，在验证精度没有增加给定容差的情况下停止。在