带有SMOTE的ResNet34的分类比没有烟雾的分类差10％

问题描述

我用语音数据的Mel-Spectograms训练了两个ResNet。 我用第1类25％和第2类75％的不平衡数据训练了我的第一个。 第一个网络的准确性为57％。 我建议使用第二个网络，该网络使用平衡的数据进行了平衡数据训练，这是由于噪声和采样的过度采样所致。 令人惊讶的是，评估数据集的准确性从57％下降到47％。 也许我做错了。

一开始我有一个张量为22000的张量的列表，每个张量的形状为（128，200）

最后，X的形状为（22000，1，128，200）。 y的形状为（22000，）

    X = np.stack(X,axis=0).squeeze(X)
    nsamples,nx,ny = X.shape
    X = X.reshape((nsamples,nx*ny))
    y = np.array(y)
    over = SMOTE(sampling_strategy=0.9)
    under = RandomUnderSampler(sampling_strategy=1)
    steps = [('o',over),('u',under)]
    pipeline = Pipeline(steps=steps)
    X,y = pipeline.fit_resample(X,y)
    nSmSamples,nxny = X.shape
    X = X.reshape(nSmSamples,1,ny)

我做错了吗？我不确定我的重塑是否正确。

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@）