序列标注的方法支持向量机(SVM)分类万博1manbetx

18次浏览(过去30天)

显示旧的注释

亚历克斯·麦戈文 2021年7月28日

0
链接

直接链接到这个问题

//www.tianjin-qmedu.com/matlabcentral/answers/887279-method-for-sequence-to-label-万博1manbetxsupport-vector-machine-svm-classification

回答: 11日辛格 2021年8月11日

我是一个机器学习的初学者，试图开发一个模型来预测一个病人在医院里根据他们的心率，呼吸率和血氧饱和度提出的抱怨。我有三个类别，“O”，“M”，“W”，每个类别都有他们停留期间的心率(hr)，反应率(rr)和血氧(o2)读数。序列的长度因主题而异，我目前将它们组织成一个细胞数组，每个细胞包含3个生命体征向量。

最初，我试图用以下层和选项实现一个LSTM:

                         miniBatchSize = 13;每次迭代使用的观察数%
                        
                         inputSize = 3;%特征数(rr,hr,o2)
                        
                         numHiddenUnits = 100;% LSTM层中的隐藏单元
                        
                         numClasses = 3;分类选项的百分比
                        
                         层= [.．.
                        
                         sequenceInputLayer (inputSize)
                        
                         bilstmLayer (numHiddenUnits“OutputMode”，“最后一次”）
                        
                         dropoutLayer (0.3)
                        
                         fullyConnectedLayer (numClasses)
                        
                         softmaxLayer
                        
                         classificationLayer]
                        
                         maxEpochs = 100;
                        
                         选项= trainingOptions(“亚当”，.．.
                        
                         “ExecutionEnvironment”，“图形”，.．.
                        
                         “GradientThreshold”, 1.．.
                        
                         “MaxEpochs”maxEpochs,.．.
                        
                         “MiniBatchSize”miniBatchSize,.．.
                        
                         “SequenceLength”，“最长”，.．.
                        
                         “洗牌”，“永远”，.．.
                        
                         “详细”0,.．.
                        
                         “阴谋”，“训练进步”，.．.
                        
                         “LearnRateSchedule”，“分段”，.．.
                        
                         “LearnRateDropPeriod”3,.．.
                        
                         “LearnRateDropFactor”, 0.5,.．.
                        
                         “InitialLearnRate”, 0.001);
                        
                         net = trainNetwork(XTrain,YTrain'，图层，选项);