摘要：
我调了下模型， nn.Linear(36,2),nn.Sigmoid(),nn.Linear(2,2),nn.Sigmoid(),nn.Linear(2,1),nn.Sigmoid(). 原先是(36,3)(3,1)的全连接神经网络。但是容易过拟合，但是我随便调了下调成了。(36,2)(2,2)(2 阅读全文
posted @ 2022-12-02 17:49
祥瑞哈哈哈
阅读(31)
评论(0)
推荐(0)
摘要：
模型是根据特征来进行划分，如果模型复杂无关特征比较多。可能模型会根据无关特征去区分数据。因此过拟合会导致模型在验证集的准确率更低。 阅读全文
posted @ 2022-12-02 17:36
祥瑞哈哈哈
阅读(37)
评论(0)
推荐(0)
摘要：
取了训练集中所有频域>0.1的频率作为特征。可能是我停的比较早。 准确率为0.83的代码。 import matplotlib.pyplot as plt import numpy as np import pandas as pd import torch import torch.fft as 阅读全文
posted @ 2022-12-02 17:15
祥瑞哈哈哈
阅读(29)
评论(0)
推荐(0)
摘要：
这里我只把时域转为了频域。 import matplotlib.pyplot as plt import numpy as np import pandas as pd import torch import torch.fft as fft df = pd.read_csv('train.csv' 阅读全文
posted @ 2022-12-02 14:55
祥瑞哈哈哈
阅读(18)
评论(0)
推荐(0)
摘要：
因为我观察了baseline错误分类数据的频域发现，他们的振幅所处的频率相同，因此我想用振幅比较大对应的频率来分。我选择这些数据中振幅大于0.1的振幅对应的频率。需要改进的地方可能是应该采取所有训练集中大于0.1振幅的频率。 import matplotlib.pyplot as plt impor 阅读全文
posted @ 2022-12-02 14:54
祥瑞哈哈哈
阅读(22)
评论(0)
推荐(0)
摘要：
import matplotlib.pyplot as plt import numpy as np import pandas as pd import torch import torch.fft as fft df = pd.read_csv('train.csv') df=df.drop([ 阅读全文
posted @ 2022-12-02 14:50
祥瑞哈哈哈
阅读(29)
评论(0)
推荐(0)
浙公网安备 33010602011771号