我正在处理的数据集对应于单个时间序列信号。每个信号都是独特的,数据点总数不同,尽管每个信号代表相同的语义数据(速度以英里/小时为单位)。
我正在使用Keras,并尝试适配基本神经网络到数据上,只是为了评估它。以下是Python代码:
model = Sequential()
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.2))
model.add(Dense(64, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
基本上,我将模型适配到每个数据集,方法如下:
for file in directory:
data = pd.read_csv(file)
# get x_train and y_train ...
model.fit(X_train, y_train, epochs=10)
这是在同义数据的多个数据集上训练模型的有效方法吗?