Разница между многими и многими в одном lstm + оценка точности при данных с разными длинами - PullRequest
Новая
       29

Разница между многими и многими в одном lstm + оценка точности при данных с разными длинами

0 голосов
/ 17 июня 2019

Я работаю над некоторым проектом Data Mining, и у меня есть список из 76 функций на каждом таймфрейме, и конечный результат равен 0 или 1. Эти функции соответствуют единицам обоих игроков в игре и выход есть результат.

У меня два вопроса:

Я обучил LSTM использовать его в качестве классификатора, и я получил хорошие оценки, но у меня есть два вопроса.

Во-первых, сборка LSTM, которую я создаю, представляет собой LSTM «многие ко многим», что означает, что я повторял вывод на каждой временной шкале в игре. Я не уверен, имеет ли это смысл, но для меня это не повредит процессу обучения и позволяет учиться лучше. Это правда? или мне лучше просто использовать lstm многие-к-одному?

Второй вопрос: поскольку анализируемые мной повторы имеют разные длины, я решил сгруппировать их по длине, чтобы перейти к обучению (и избежать заполнения 0), это сработало.

Теперь я построил диаграмму с точностью обучения, точностью теста и точностью проверки для каждой длины игры. Я хотел определить, была ли моя модель переоснащена ... для некоторых повторов с определенной длиной это так, а для некоторых нет.

Я хочу знать, как я могу обучить модель только один раз со всеми данными, чтобы получить только одну функцию потерь? Или как я могу использовать свои результаты для оценки моей модели. Здесь вы не можете увидеть результаты с некоторыми гиперпараметрами

Надеюсь, вы его получили, и любой может мне помочь. 

    for key in sorted(X_Train_Batch):

            history[key] = train_lstm_model(model, X_Train_Batch[key], Y_Train_Batch[key])
            accurary_train[key] = history[key].history['acc'][-1]
            accurary_val[key] = history[key].history['val_acc'][-1]
...