LSTM模型可实现多类分类精度

问题描述

我有一个LSTM模型，可以预测多类问题。数据由客户订单历史记录组成。每行累积包含特定事件的前3个顺序故障顺序。行的每个序列还具有多个功能。

输入数据具有3个标签的客户累积订单值。 t-1和t-2在n天前具有以前的值。

标签分布为21883、31564和48498

我建立的模型；

model = Sequential()
model.add(LSTM(250,dropout=0.2,recurrent_dropout=0.2,input_shape=(train_X.shape[1],train_X.shape[2])))
model.add(Dense(250,activation='relu'))
model.add(Dense(3,activation='softmax'))

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

model.fit(train_X,train_y,epochs=20,batch_size=128,validation_data=(test_X,test_y),verbose=2,shuffle=True)

该模型的摘要如下；

model summary

前10个时期的详细信息；

epoch details

和结果图； accuracy

批次大小为32和64的其他图； batch size 32 & 64

每个时代的准确性都在发生巨大变化，似乎并没有增加的趋势。我不确定该模型是否还可以，是否需要修改。

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）

lstm lstm sequential