简介该资源面向需要掌握时序数据分类的MATLAB用户与机器学习初学者提供基于长短期记忆神经网络的多输入单输出分类预测方案可解决多特征输入下的二分类及多分类建模问题适用于信号识别、故障诊断、行为判别等场景。压缩包共9个文件约1.88MB包含3个m脚本文件分别承担主程序、初始化与评估指标计算1个xlsx数据集、1个说明文档及4张png结果图结构紧凑、开箱即用。程序内注释详细替换数据即可运行并可直接输出分类效果图、迭代优化图与混淆矩阵图便于观察训练收敛过程与各类别识别精度。目前已有207人学习下载适合希望快速搭建LSTM分类基线、理解时序建模流程并对照图表调参的读者参考使用。1. 从一份 MATLAB 源码包说起LSTM 多输入单输出分类到底怎么落地你手头如果有一批带标签的多维数据想按类别分开又不想自己从零搭网络那这份 MATLAB 的 LSTM 分类源码包值得看一眼。它解决的是典型的「多特征输入、单标签输出」问题——输入可以是温度、压力、振动、电流等任意多个特征列输出是二分类或多分类的类别标签。包里带了main.m、initialization.m、fical.m三个脚本一份数据集.xlsx还有几张效果图结构很直白初始化参数、加载数据、训练 LSTM、画混淆矩阵和迭代曲线。适合做设备故障分类、工况识别、信号分选这类任务的从业者也适合刚接触 LSTM 分类、想先跑通再改数据的新手。下面按「这是什么 → 怎么跑 → 坑在哪 → 怎么调」的顺序拆一遍。2. 拆开源码包LSTM 分类的四个核心文件与数据流2.1 文件分工与调用关系拿到包先别急着点运行把文件角色理清楚能省很多事。main.m是主入口负责串起整个流程initialization.m管参数初始化网络层数、学习率、迭代次数、批大小这些都在这里fical.m是辅助函数通常用来做数据归一化、标签编码或者结果可视化数据集.xlsx是原始数据一般最后一列是类别标签前面若干列是特征。调用顺序是main.m先调initialization.m拿参数再读 Excel然后调fical.m做预处理最后建网络、训练、出图。常见做法是main.m里用readtable或xlsread读数据把特征矩阵和标签向量分开标签做 categorical 转换然后按比例划分训练集和测试集。这一步看着简单但划分方式直接决定后面混淆矩阵好不好看后面避坑章节会细说。2.2 多输入单输出的数据组织方式LSTM 在 MATLAB 里做分类输入格式和普通神经网络不一样。它要求输入是序列形式哪怕你每个样本只有一个时间步也要组织成numFeatures × 1 × numSamples的格式标签是numSamples × 1的 categorical。很多人第一次跑报错「维度不匹配」就是卡在这里。% 读取数据假设最后一列是标签 data readtable(数据集.xlsx); X table2array(data(:, 1:end-1)); % 特征矩阵numSamples × numFeatures Y data{:, end}; % 标签列 % 标签转 categorical Y categorical(Y); % 转成 LSTM 需要的序列格式numFeatures × 1 × numSamples numFeatures size(X, 2); numSamples size(X, 1); XSeq cell(numSamples, 1); for i 1:numSamples XSeq{i} X(i, :); % 每个样本转成 numFeatures × 1 end这段代码的逻辑是先把 Excel 拆成特征和标签两部分再把每个样本单独装进一个 cell每个 cell 里是列向量。参数上numFeatures决定输入层大小numSamples决定样本总数。如果你的数据本身是时间序列比如每个样本有多个时间步那 cell 里应该是numFeatures × timeSteps的矩阵而不是单列。这一点在改数据时最容易翻车因为 Excel 里看不出时间步维度得自己心里有数。2.3 网络结构与训练参数initialization.m里一般会定义这几样输入维度、隐藏单元数、输出类别数、最大迭代轮数、初始学习率、批大小。隐藏单元数常见取值 64 到 256类别少可以小一点特征复杂就往上加。学习率初始 0.01 或 0.001配合分段下降。批大小 16 到 64 都行样本少就取小。% initialization.m 典型参数 inputSize numFeatures; numHidden 128; numClasses numel(categories(Y)); maxEpochs 60; miniBatch 32; learnRate 0.01;这些参数不是拍脑袋定的。numHidden太小模型欠拟合训练集准确率都上不去太大样本少的时候直接过拟合测试集一塌糊涂。maxEpochs配合验证集早停用别硬跑满。miniBatch影响梯度稳定性样本量小于 500 时建议 16 或 32。2.4 训练与出图主流程最后是建sequenceInputLayer、lstmLayer、fullyConnectedLayer、softmaxLayer、classificationLayer然后用trainNetwork训练再用classify预测最后confusionchart画混淆矩阵plot画迭代曲线。layers [ ... sequenceInputLayer(inputSize) lstmLayer(numHidden, OutputMode, last) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer]; options trainingOptions(adam, ... MaxEpochs, maxEpochs, ... MiniBatchSize, miniBatch, ... InitialLearnRate, learnRate, ... ValidationData, {XVal, YVal}, ... Plots, training-progress, ... Verbose, false); net trainNetwork(XTrain, YTrain, layers, options); YPred classify(net, XTest); confusionchart(YTest, YPred);OutputMode设成last表示只取最后一个时间步的输出做分类这是单输出分类的标准做法。如果设成sequence输出就是每个时间步一个结果适合序列标注不适合这里。ValidationData一定要给否则迭代曲线好看但测试集崩了都不知道。3. 替换自己的数据从 Excel 到混淆矩阵的完整操作3.1 数据格式对齐的三个检查点换数据之前先确认三件事。第一特征列是否全为数值型有没有混进文本列或者空值第二标签列是否在最后一列类别名是否统一比如「正常」和「正常 」带空格会被当成两类第三样本量是否够每类至少几十条否则混淆矩阵全是 0 和 1没有统计意义。常见做法是先用summary(data)看一眼每列类型和缺失情况再用ismissing定位空值。有缺失就补均值或中位数别直接删行样本本来就少。summary(data); idxNaN find(any(ismissing(data), 2)); if ~isempty(idxNaN) data fillmissing(data, constant, 0); % 或 previous、mean endfillmissing的第二个参数决定填充策略constant补 0previous用前值mean用均值。分类任务里补 0 要小心如果 0 本身有物理意义会引入偏差建议用均值或中位数。3.2 划分训练集与测试集的比例选择样本量小于 500 时常见做法是 70% 训练、15% 验证、15% 测试样本量上千可以 80/10/10。划分要用随机打乱但别用randperm之后忘了固定随机种子否则每次跑结果都不一样调参时根本分不清是参数起作用还是划分变了。rng(42); % 固定随机种子保证可复现 n size(XSeq, 1); idx randperm(n); nTrain round(0.7 * n); nVal round(0.15 * n); XTrain XSeq(idx(1:nTrain)); YTrain Y(idx(1:nTrain)); XVal XSeq(idx(nTrain1:nTrainnVal)); YVal Y(idx(nTrain1:nTrainnVal)); XTest XSeq(idx(nTrainnVal1:end)); YTest Y(idx(nTrainnVal1:end));rng(42)是固定种子数字随便取但一旦定了就别改这样每次跑的数据划分一致调参才有对比意义。randperm打乱索引再按比例切分比cvpartition更直观也方便你手动检查每类样本是否均衡。3.3 训练参数调整与迭代曲线判读迭代曲线看两个东西训练损失和验证损失。两条都下降且贴近说明正常训练损失降、验证损失先降后升说明过拟合要减隐藏单元、加 dropout 或早停两条都平着不降说明学习率太小或模型容量不够。options trainingOptions(adam, ... MaxEpochs, 80, ... MiniBatchSize, 32, ... InitialLearnRate, 0.005, ... LearnRateSchedule, piecewise, ... LearnRateDropPeriod, 20, ... LearnRateDropFactor, 0.5, ... ValidationData, {XVal, YVal}, ... ValidationFrequency, 10, ... ValidationPatience, 8, ... Plots, training-progress);LearnRateSchedule设成分段下降每 20 轮乘 0.5能让后期收敛更稳。ValidationPatience设 8意思是验证损失连续 8 次不降就停省时间也防过拟合。ValidationFrequency设 10每 10 轮验证一次太频繁浪费时间太稀疏看不出趋势。3.4 混淆矩阵与分类效果图解读混淆矩阵对角线是正确分类非对角线是错分。看的时候别只看总体准确率要看每一类的召回率和精确率。如果某一类召回率特别低说明这类样本被大量错分到其他类可能是特征区分度不够也可能是这类样本太少。figure; confusionchart(YTest, YPred, ... Title, LSTM分类混淆矩阵, ... RowSummary, row-normalized, ... ColumnSummary, column-normalized);RowSummary和ColumnSummary分别显示行归一化和列归一化行归一化看召回率列归一化看精确率。两个都开一眼就能定位问题类别。如果某类召回率低于 0.6先别急着调网络回去看这类样本的特征分布是不是和其他类重叠严重。4. 避坑与排查LSTM 分类里最容易翻车的五个地方4.1 报错「Invalid training data. The output size of the last layer must match the number of classes」现象运行trainNetwork直接报维度不匹配。原因标签 categorical 的类别数和fullyConnectedLayer的输出数不一致常见于标签列里混入了空值或多余类别。解决先categories(Y)看实际类别数再把这个数传给fullyConnectedLayer别手写死数字。4.2 训练准确率很高但测试集一塌糊涂现象迭代曲线训练损失降到 0.01验证损失还在 0.5 以上。原因过拟合样本少、隐藏单元多、没加正则。解决减numHidden到 64 或 32加dropoutLayer(0.3)在 lstmLayer 后面或者把L2Regularization设成 0.001。4.3 混淆矩阵某一类全是 0现象测试集里某类样本一个都没分对。原因这类样本在训练集里太少或者划分时全被分到测试集。解决检查每类样本数用分层划分cvpartition(Y, HoldOut, 0.3, Stratify, true)保证训练测试里每类都有。4.4 每次运行结果都不一样现象同样的代码跑三次三个准确率。原因没固定随机种子数据划分和权重初始化都随机。解决在main.m开头加rng(42)并且确保trainNetwork之前没有其他随机操作。4.5 Excel 读取后特征列顺序错乱现象明明改的是同一份数据结果和上次差很多。原因readtable默认把第一行当变量名如果 Excel 里有合并单元格或空行列顺序会错。解决用readmatrix代替readtable或者先手动清理 Excel确保第一行是纯变量名、没有空行。5. 进阶技巧把 LSTM 分类从「能跑」推到「能用」5.1 特征归一化与标准化LSTM 对输入尺度敏感特征量纲差太多时梯度会被大量级特征主导。常见做法是训练集算均值和标准差然后应用到验证集和测试集别对整个数据集算否则测试集信息泄漏。mu mean(XTrainRaw, 1); sigma std(XTrainRaw, 0, 1); sigma(sigma 0) 1; % 防止除零 XTrainNorm (XTrainRaw - mu) ./ sigma; XValNorm (XValRaw - mu) ./ sigma; XTestNorm (XTestRaw - mu) ./ sigma;mu和sigma只从训练集算这是铁律。sigma为 0 的列说明该特征在所有样本里取值相同对分类没贡献置 1 避免除零也可以直接删掉这列。5.2 双向 LSTM 与多层堆叠单向 LSTM 只看历史信息双向 LSTM 同时看前后文对某些信号分类任务效果更好。MATLAB 里用bilstmLayer替代lstmLayer即可。多层堆叠时第一层OutputMode设sequence最后一层设last。layers [ ... sequenceInputLayer(inputSize) bilstmLayer(128, OutputMode, sequence) dropoutLayer(0.3) bilstmLayer(64, OutputMode, last) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];双向 LSTM 参数量翻倍样本少时容易过拟合建议配合 dropout 和早停。两层堆叠时第一层输出序列给第二层第二层只取最后一步这样既有层次特征又不会维度爆炸。5.3 用交叉验证替代单次划分样本量小于 300 时单次划分的测试结果波动很大今天 85% 明天 78%。用 5 折交叉验证能给出更稳的估计。cv cvpartition(Y, KFold, 5, Stratify, true); acc zeros(5, 1); for k 1:5 idxTrain training(cv, k); idxTest test(cv, k); net trainNetwork(XSeq(idxTrain), Y(idxTrain), layers, options); YPred classify(net, XSeq(idxTest)); acc(k) mean(YPred Y(idxTest)); end fprintf(5折平均准确率%.2f%%\n, mean(acc) * 100);Stratify设 true 保证每折里各类样本比例一致。5 折跑完取平均比单次划分靠谱得多。代价是训练时间乘 5样本少的时候值得。5.4 一个我踩过的坑有次换了一份新数据特征列从 6 列变成 12 列我改了inputSize但忘了改initialization.m里的numFeatures结果main.m里读的是新数据网络建的还是旧维度报错信息又指向trainNetwork查了半天才发现是初始化脚本没同步。从那以后我每次换数据都强制走一遍「列数 → inputSize → numFeatures → 网络输入层」这条链确认三处一致再跑。希望帮到你。本文还有配套的精品资源点击获取
MATLAB LSTM多输入单输出分类源码解析与实战
简介该资源面向需要掌握时序数据分类的MATLAB用户与机器学习初学者提供基于长短期记忆神经网络的多输入单输出分类预测方案可解决多特征输入下的二分类及多分类建模问题适用于信号识别、故障诊断、行为判别等场景。压缩包共9个文件约1.88MB包含3个m脚本文件分别承担主程序、初始化与评估指标计算1个xlsx数据集、1个说明文档及4张png结果图结构紧凑、开箱即用。程序内注释详细替换数据即可运行并可直接输出分类效果图、迭代优化图与混淆矩阵图便于观察训练收敛过程与各类别识别精度。目前已有207人学习下载适合希望快速搭建LSTM分类基线、理解时序建模流程并对照图表调参的读者参考使用。1. 从一份 MATLAB 源码包说起LSTM 多输入单输出分类到底怎么落地你手头如果有一批带标签的多维数据想按类别分开又不想自己从零搭网络那这份 MATLAB 的 LSTM 分类源码包值得看一眼。它解决的是典型的「多特征输入、单标签输出」问题——输入可以是温度、压力、振动、电流等任意多个特征列输出是二分类或多分类的类别标签。包里带了main.m、initialization.m、fical.m三个脚本一份数据集.xlsx还有几张效果图结构很直白初始化参数、加载数据、训练 LSTM、画混淆矩阵和迭代曲线。适合做设备故障分类、工况识别、信号分选这类任务的从业者也适合刚接触 LSTM 分类、想先跑通再改数据的新手。下面按「这是什么 → 怎么跑 → 坑在哪 → 怎么调」的顺序拆一遍。2. 拆开源码包LSTM 分类的四个核心文件与数据流2.1 文件分工与调用关系拿到包先别急着点运行把文件角色理清楚能省很多事。main.m是主入口负责串起整个流程initialization.m管参数初始化网络层数、学习率、迭代次数、批大小这些都在这里fical.m是辅助函数通常用来做数据归一化、标签编码或者结果可视化数据集.xlsx是原始数据一般最后一列是类别标签前面若干列是特征。调用顺序是main.m先调initialization.m拿参数再读 Excel然后调fical.m做预处理最后建网络、训练、出图。常见做法是main.m里用readtable或xlsread读数据把特征矩阵和标签向量分开标签做 categorical 转换然后按比例划分训练集和测试集。这一步看着简单但划分方式直接决定后面混淆矩阵好不好看后面避坑章节会细说。2.2 多输入单输出的数据组织方式LSTM 在 MATLAB 里做分类输入格式和普通神经网络不一样。它要求输入是序列形式哪怕你每个样本只有一个时间步也要组织成numFeatures × 1 × numSamples的格式标签是numSamples × 1的 categorical。很多人第一次跑报错「维度不匹配」就是卡在这里。% 读取数据假设最后一列是标签 data readtable(数据集.xlsx); X table2array(data(:, 1:end-1)); % 特征矩阵numSamples × numFeatures Y data{:, end}; % 标签列 % 标签转 categorical Y categorical(Y); % 转成 LSTM 需要的序列格式numFeatures × 1 × numSamples numFeatures size(X, 2); numSamples size(X, 1); XSeq cell(numSamples, 1); for i 1:numSamples XSeq{i} X(i, :); % 每个样本转成 numFeatures × 1 end这段代码的逻辑是先把 Excel 拆成特征和标签两部分再把每个样本单独装进一个 cell每个 cell 里是列向量。参数上numFeatures决定输入层大小numSamples决定样本总数。如果你的数据本身是时间序列比如每个样本有多个时间步那 cell 里应该是numFeatures × timeSteps的矩阵而不是单列。这一点在改数据时最容易翻车因为 Excel 里看不出时间步维度得自己心里有数。2.3 网络结构与训练参数initialization.m里一般会定义这几样输入维度、隐藏单元数、输出类别数、最大迭代轮数、初始学习率、批大小。隐藏单元数常见取值 64 到 256类别少可以小一点特征复杂就往上加。学习率初始 0.01 或 0.001配合分段下降。批大小 16 到 64 都行样本少就取小。% initialization.m 典型参数 inputSize numFeatures; numHidden 128; numClasses numel(categories(Y)); maxEpochs 60; miniBatch 32; learnRate 0.01;这些参数不是拍脑袋定的。numHidden太小模型欠拟合训练集准确率都上不去太大样本少的时候直接过拟合测试集一塌糊涂。maxEpochs配合验证集早停用别硬跑满。miniBatch影响梯度稳定性样本量小于 500 时建议 16 或 32。2.4 训练与出图主流程最后是建sequenceInputLayer、lstmLayer、fullyConnectedLayer、softmaxLayer、classificationLayer然后用trainNetwork训练再用classify预测最后confusionchart画混淆矩阵plot画迭代曲线。layers [ ... sequenceInputLayer(inputSize) lstmLayer(numHidden, OutputMode, last) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer]; options trainingOptions(adam, ... MaxEpochs, maxEpochs, ... MiniBatchSize, miniBatch, ... InitialLearnRate, learnRate, ... ValidationData, {XVal, YVal}, ... Plots, training-progress, ... Verbose, false); net trainNetwork(XTrain, YTrain, layers, options); YPred classify(net, XTest); confusionchart(YTest, YPred);OutputMode设成last表示只取最后一个时间步的输出做分类这是单输出分类的标准做法。如果设成sequence输出就是每个时间步一个结果适合序列标注不适合这里。ValidationData一定要给否则迭代曲线好看但测试集崩了都不知道。3. 替换自己的数据从 Excel 到混淆矩阵的完整操作3.1 数据格式对齐的三个检查点换数据之前先确认三件事。第一特征列是否全为数值型有没有混进文本列或者空值第二标签列是否在最后一列类别名是否统一比如「正常」和「正常 」带空格会被当成两类第三样本量是否够每类至少几十条否则混淆矩阵全是 0 和 1没有统计意义。常见做法是先用summary(data)看一眼每列类型和缺失情况再用ismissing定位空值。有缺失就补均值或中位数别直接删行样本本来就少。summary(data); idxNaN find(any(ismissing(data), 2)); if ~isempty(idxNaN) data fillmissing(data, constant, 0); % 或 previous、mean endfillmissing的第二个参数决定填充策略constant补 0previous用前值mean用均值。分类任务里补 0 要小心如果 0 本身有物理意义会引入偏差建议用均值或中位数。3.2 划分训练集与测试集的比例选择样本量小于 500 时常见做法是 70% 训练、15% 验证、15% 测试样本量上千可以 80/10/10。划分要用随机打乱但别用randperm之后忘了固定随机种子否则每次跑结果都不一样调参时根本分不清是参数起作用还是划分变了。rng(42); % 固定随机种子保证可复现 n size(XSeq, 1); idx randperm(n); nTrain round(0.7 * n); nVal round(0.15 * n); XTrain XSeq(idx(1:nTrain)); YTrain Y(idx(1:nTrain)); XVal XSeq(idx(nTrain1:nTrainnVal)); YVal Y(idx(nTrain1:nTrainnVal)); XTest XSeq(idx(nTrainnVal1:end)); YTest Y(idx(nTrainnVal1:end));rng(42)是固定种子数字随便取但一旦定了就别改这样每次跑的数据划分一致调参才有对比意义。randperm打乱索引再按比例切分比cvpartition更直观也方便你手动检查每类样本是否均衡。3.3 训练参数调整与迭代曲线判读迭代曲线看两个东西训练损失和验证损失。两条都下降且贴近说明正常训练损失降、验证损失先降后升说明过拟合要减隐藏单元、加 dropout 或早停两条都平着不降说明学习率太小或模型容量不够。options trainingOptions(adam, ... MaxEpochs, 80, ... MiniBatchSize, 32, ... InitialLearnRate, 0.005, ... LearnRateSchedule, piecewise, ... LearnRateDropPeriod, 20, ... LearnRateDropFactor, 0.5, ... ValidationData, {XVal, YVal}, ... ValidationFrequency, 10, ... ValidationPatience, 8, ... Plots, training-progress);LearnRateSchedule设成分段下降每 20 轮乘 0.5能让后期收敛更稳。ValidationPatience设 8意思是验证损失连续 8 次不降就停省时间也防过拟合。ValidationFrequency设 10每 10 轮验证一次太频繁浪费时间太稀疏看不出趋势。3.4 混淆矩阵与分类效果图解读混淆矩阵对角线是正确分类非对角线是错分。看的时候别只看总体准确率要看每一类的召回率和精确率。如果某一类召回率特别低说明这类样本被大量错分到其他类可能是特征区分度不够也可能是这类样本太少。figure; confusionchart(YTest, YPred, ... Title, LSTM分类混淆矩阵, ... RowSummary, row-normalized, ... ColumnSummary, column-normalized);RowSummary和ColumnSummary分别显示行归一化和列归一化行归一化看召回率列归一化看精确率。两个都开一眼就能定位问题类别。如果某类召回率低于 0.6先别急着调网络回去看这类样本的特征分布是不是和其他类重叠严重。4. 避坑与排查LSTM 分类里最容易翻车的五个地方4.1 报错「Invalid training data. The output size of the last layer must match the number of classes」现象运行trainNetwork直接报维度不匹配。原因标签 categorical 的类别数和fullyConnectedLayer的输出数不一致常见于标签列里混入了空值或多余类别。解决先categories(Y)看实际类别数再把这个数传给fullyConnectedLayer别手写死数字。4.2 训练准确率很高但测试集一塌糊涂现象迭代曲线训练损失降到 0.01验证损失还在 0.5 以上。原因过拟合样本少、隐藏单元多、没加正则。解决减numHidden到 64 或 32加dropoutLayer(0.3)在 lstmLayer 后面或者把L2Regularization设成 0.001。4.3 混淆矩阵某一类全是 0现象测试集里某类样本一个都没分对。原因这类样本在训练集里太少或者划分时全被分到测试集。解决检查每类样本数用分层划分cvpartition(Y, HoldOut, 0.3, Stratify, true)保证训练测试里每类都有。4.4 每次运行结果都不一样现象同样的代码跑三次三个准确率。原因没固定随机种子数据划分和权重初始化都随机。解决在main.m开头加rng(42)并且确保trainNetwork之前没有其他随机操作。4.5 Excel 读取后特征列顺序错乱现象明明改的是同一份数据结果和上次差很多。原因readtable默认把第一行当变量名如果 Excel 里有合并单元格或空行列顺序会错。解决用readmatrix代替readtable或者先手动清理 Excel确保第一行是纯变量名、没有空行。5. 进阶技巧把 LSTM 分类从「能跑」推到「能用」5.1 特征归一化与标准化LSTM 对输入尺度敏感特征量纲差太多时梯度会被大量级特征主导。常见做法是训练集算均值和标准差然后应用到验证集和测试集别对整个数据集算否则测试集信息泄漏。mu mean(XTrainRaw, 1); sigma std(XTrainRaw, 0, 1); sigma(sigma 0) 1; % 防止除零 XTrainNorm (XTrainRaw - mu) ./ sigma; XValNorm (XValRaw - mu) ./ sigma; XTestNorm (XTestRaw - mu) ./ sigma;mu和sigma只从训练集算这是铁律。sigma为 0 的列说明该特征在所有样本里取值相同对分类没贡献置 1 避免除零也可以直接删掉这列。5.2 双向 LSTM 与多层堆叠单向 LSTM 只看历史信息双向 LSTM 同时看前后文对某些信号分类任务效果更好。MATLAB 里用bilstmLayer替代lstmLayer即可。多层堆叠时第一层OutputMode设sequence最后一层设last。layers [ ... sequenceInputLayer(inputSize) bilstmLayer(128, OutputMode, sequence) dropoutLayer(0.3) bilstmLayer(64, OutputMode, last) fullyConnectedLayer(numClasses) softmaxLayer classificationLayer];双向 LSTM 参数量翻倍样本少时容易过拟合建议配合 dropout 和早停。两层堆叠时第一层输出序列给第二层第二层只取最后一步这样既有层次特征又不会维度爆炸。5.3 用交叉验证替代单次划分样本量小于 300 时单次划分的测试结果波动很大今天 85% 明天 78%。用 5 折交叉验证能给出更稳的估计。cv cvpartition(Y, KFold, 5, Stratify, true); acc zeros(5, 1); for k 1:5 idxTrain training(cv, k); idxTest test(cv, k); net trainNetwork(XSeq(idxTrain), Y(idxTrain), layers, options); YPred classify(net, XSeq(idxTest)); acc(k) mean(YPred Y(idxTest)); end fprintf(5折平均准确率%.2f%%\n, mean(acc) * 100);Stratify设 true 保证每折里各类样本比例一致。5 折跑完取平均比单次划分靠谱得多。代价是训练时间乘 5样本少的时候值得。5.4 一个我踩过的坑有次换了一份新数据特征列从 6 列变成 12 列我改了inputSize但忘了改initialization.m里的numFeatures结果main.m里读的是新数据网络建的还是旧维度报错信息又指向trainNetwork查了半天才发现是初始化脚本没同步。从那以后我每次换数据都强制走一遍「列数 → inputSize → numFeatures → 网络输入层」这条链确认三处一致再跑。希望帮到你。本文还有配套的精品资源点击获取
