如何提升Python中Bi-LSTM神经网络的土地利用分类准确率？

问题背景 #

我尝试构建模型预测地块的土地利用类型，但训练后准确率仅约50%，数值过低。作为神经网络新手，需要针对性的优化建议。

使用CSV格式的地块历史数据，选取mean_B04、mean_B08、NDVI、H_NDVI这4列作为特征，目标是预测9种土地利用类型（0-8）。

现有代码实现 #

# 划分训练与分类数据
df1 = df[['mean_B04','mean_B08','NDVI','H_NDVI']] 
df2 = df['Num_uso'] 
Data_array = np.array(df1) 
Uso_SP_array = np.array(df2) 
# 划分训练集与测试集
xTrain, xTest, yTrain, yTest = train_test_split(Data_array, Uso_SP_array, test_size=0.15, random_state=42)

model = Sequential() 
model.add(Bidirectional(LSTM(100, return_sequences=True, activation='tanh'), input_shape=(Filas_entrada,Canales_entrada,))) 
model.add(Bidirectional(LSTM(100, activation='tanh'))) 
model.add(Dropout(0.5)) 
model.add(Dense(50, activation='relu')) 
model.add(Dense(9,activation='softmax'))

model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy']) 

# 训练模型
model.fit(xTrain, yTrain, epochs=1, batch_size=24, validation_split=0.1)

# 获取可预测类别列表
ListOfSPusos = df_Train['Num_uso'] 
SPUsos = ListOfSPusos.drop_duplicates() 
SPUsos = SPUsos.sort_values() 
SPUsos = SPUsos.reset_index(drop=True)

# 测试集预测
yTestPredicted = model.predict(xTest) 
y_classes = SPUsos[np.argmax(yTestPredicted, axis = 1)]

针对性优化建议 #

1. 数据层面优化 #

• 特征扩充：当前仅用4个特征，可尝试添加衍生特征，比如NDVI的差值/变化率、mean_B04与mean_B08的比值，若有地形数据（海拔、坡度）或多时段观测数据也可加入，丰富特征维度。
• 数据标准化：LSTM对输入数据尺度敏感，必须用StandardScaler或MinMaxScaler对特征做归一化/标准化处理，消除量纲差异对模型的影响。
• 类别平衡检查：9种土地利用类型大概率存在样本不平衡问题，比如某类样本占比过高导致模型偏向多数类。先通过混淆矩阵查看各分类的准确率，针对少数类可采用SMOTE过采样、欠采样，或在model.fit中设置class_weight参数分配类别权重。
• 输入维度适配：LSTM要求输入为三维结构(样本数, 时间步长, 特征数)，当前Data_array是二维数组，需确认Filas_entrada和Canales_entrada的设置是否符合时间序列逻辑。如果没有时间序列数据，LSTM并非最优选择，可换用MLP（多层感知机）尝试。

2. 模型结构与训练优化 #

• 简化模型复杂度：当前双向LSTM合计200个单元，对于仅4个特征的任务可能过拟合。可尝试减少LSTM单元数（比如双向各32/64），或直接简化为单层LSTM甚至MLP结构。
• 增加训练轮次：当前仅训练1个epoch，模型远未收敛。逐步将epochs提升至20-50，同时加入EarlyStopping回调函数监控验证集损失，连续3-5轮无下降则停止训练，避免过拟合。
• 优化器与学习率调整：默认Adam学习率可能不适配当前任务，可尝试调整学习率至0.0001或0.001，或换用RMSprop优化器测试效果。
• 增强正则化：除Dropout外，可在Dense层添加kernel_regularizer=l2(0.01)进一步约束模型权重，减少过拟合风险。

3. 训练流程优化 #

• 独立验证集划分：当前用validation_split=0.1从训练集拆分验证集，建议单独划分独立的验证集，确保训练、验证、测试集完全分离，避免数据泄露。
• 多维度评估：除了准确率，重点查看混淆矩阵、F1-score、召回率等指标，明确模型在哪些类别上表现差，针对性调整优化方向。

内容的提问来源于stack exchange，提问作者David Cerezo