Набор данных только со значениями (0,1, -1) с LSTM или CNN дает точность 50%, в то время как RF, SVM, ELM, нейронные сети дают более 90%

Question

У меня есть набор данных с 11k экземпляров, содержащий 0, 1 и -1.Я слышал, что глубокое обучение может применяться к значениям признаков. Он применил то же самое для моего набора данных, но неожиданно это привело к меньшей точности (<50%) по сравнению с традиционными алгоритмами машинного обучения (RF, SVM, ELM).Целесообразно ли применять алгоритмы глубокого обучения к значениям признаков для задачи классификации?Любое предложение с благодарностью. </p>

Answer 1

Прежде всего, Deep Learning - это не мифический молот, который вы можете бросить в любую проблему и ожидать лучших результатов.Это требует тщательного анализа вашей проблемы, выбора правильного метода, создания вашей сети, правильной настройки обучения, и только тогда с большой удачей вы увидите значительно лучшие результатычем классические методы.

Из того, что вы описываете (и без каких-либо подробностей о вашей реализации), мне кажется, что могло произойти несколько ошибок:

1. Ваша задачапросто не предназначен для нейронной сети.Некоторые задачи все еще лучше решать с помощью классических методов, поскольку они вручную учитывают закономерности в ваших данных или превращают ваши продвинутые рассуждения / знания в предсказания.Вы можете не знать об этом напрямую, но иногда нейронные сети просто излишни.
2. Вы не описываете, как распределяются ваши 11000 экземпляров по отношению к целевым классам, насколько велики входные данные, какого родапредварительная обработка, которую вы выполняете для любого метода, и т. д., и т. д. Возможно, ваши данные просто обрабатываются неправильно, ваши тренировки расходятся из-за неудачных настроек параметров или множества других вещей.

Ожидать разумного ответавам придется поделиться хотя бы небольшим фрагментом кода, касающегося реализации вашей задачи, и параметров, которые вы используете для обучения.