经过几天的试用，我将在这里发布。
我有一个简单的数据集，例如：
data = [
[[1,2], [3,4], [5,6], [7,8], [9,10]],
[[10, 20], [30, 40], [50, 60], [70, 80], [90, 100]],
[[0.1, 0.2], [0.3, 0.4], [0.5, 0.6], [0.7, 0.8], [0.9, 0.10]],
[[0.01, 0.02], [0.03, 0.04], [0.05, 0.06], [0.07, 0.08], [0.09, 0.010]],
[[11, 12], [13, 14], [15, 16], [17, 18], [19, 20]]
]
每个输入与另一个完全不同。
每个输入对应一个不同的类：
classes = ['A', 'B', 'C', 'D', 'E']
我正在训练LSTM，如下所示：
# Build Model
model = Sequential()
model.add(LSTM(units=units, activation='tanh',
batch_input_shape=(1, None, n_features),
dropout=dropout, recurrent_dropout=recurrent_dropout,
return_sequences=return_sequences, stateful=stateful))
model.add(Dropout(dropout_))
self.model.add(Dense(n_classes, activation='softmax'))
self.model.compile(loss='categorical_crossentropy',
optimizer=optimizer, metrics=['accuracy'])
# Train
model.fit(x=np.array(data), y=np.array(classes), batch_size=1)
我可以在训练集上达到100％的准确性。但是，如果我尝试根据子序列进行预测，那么就很难知道子序列属于哪个类别！如：
[[1,2], [3,4]]
[[10, 20], [30, 40], [50, 60]]
[[0.1, 0.2], [0.3, 0.4], [0.5, 0.6]]
[[0.01, 0.02], [0.03, 0.04]]
[[11, 12], [13, 14]]
为上述应用不同的参数：
units，dropout ... etc。要修复过度拟合（如果有的话），将无法正常工作。摘要：
对子序列的预测永远不会超过60％的准确性，无论训练的时期数，参数调整以及所使用的优化器和学习率如何。
我想从此转移到更大的数据集，但我无法首先完成这项工作！
非常感谢任何提示。
最佳答案
您应该首先将数据集拆分为训练和验证（开发）数据集。也许还要进行测试拆分。然后在验证数据集上测量性能。
您还可以使用子序列示例扩充数据集，并对这些示例进行训练/验证。
关于machine-learning - LSTM对子序列的预测失败，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/58203022/