在CNN分類的10倍交叉驗證中，如何防止一個折疊的表現比其他9個表現差很多

Question

我目前正在Keras上進行2D CNN的MRI分類。 類比約為60/40，我有155位患者，每位患者進行一次MRI包括大約180個切片，CNN的輸入是一張MRI圖像的切片（256 * 256 px）（所以輸入總計為〜27900圖片，每個256 * 256像素）。

我測試了不同的模型，並始終使用經過改組的分層10倍交叉驗證和EarlyStopping監視器對它們進行評估，它們的表現都非常好，驗證准確率約為95％到98％。 但是每次，一兩折的表現都比其他折痕差很多（驗證准確性為70％到80％）。 由於折疊是隨機的，我希望所有折疊的表現都一樣好。

有人可以解釋這種情況如何發生以及如何預防嗎？

准確性和損失圖：

訓練准確性和驗證准確性

火車損失和驗證損失

這是模型之一的一部分：

num_classes = 2
img_size = 256
batch_size = 200

# Because of EarlyStopping monitor, the number of epochs doesn't really matter
num_epochs = 1000

kfold_splits = 10
skf = StratifiedKFold(n_splits=kfold_splits, shuffle=True)

# Here the data is split 
for index, (train_index, test_index) in enumerate(skf.split(x_data_paths, y_data_paths)):

    x_train, x_test = np.array(x_data_paths)[train_index.astype(int)], np.array(x_data_paths)[test_index.astype(int)]
    y_train, y_test = np.array(y_data_paths)[train_index.astype(int)], np.array(y_data_paths)[test_index.astype(int)]

    training_batch_generator = BcMRISequence(x_train, y_train_one_hot, batch_size)
    test_batch_generator = BcMRISequence(x_test, y_test_one_hot, batch_size)

    # region Create model (using the functional API)
    inputs = Input(shape=(img_size, img_size, 1))
    conv1 = Conv2D(64, kernel_size=5, strides=1, activation='relu')(inputs)
    pool1 = MaxPooling2D(pool_size=3, strides=(2, 2), padding='valid')(conv1)
    conv2 = Conv2D(32, kernel_size=3, activation='relu')(pool1)
    pool2 = MaxPooling2D(pool_size=(2, 2))(conv2)
    conv3 = Conv2D(16, kernel_size=3, activation='relu')(pool2)
    pool3 = MaxPooling2D(pool_size=(2, 2))(conv3)
    flat = Flatten()(pool3)
    hidden1 = Dense(10, activation='relu')(flat)
    output = Dense(num_classes, activation='softmax')(hidden1)
    model = Model(inputs=inputs, outputs=output)

Answer 1

以防萬一其他人偶然發現了我的問題：通過使用10次迭代而不是10倍交叉驗證的分層混洗拆分，我擺脫了異常折疊。 我的猜測是由於某種“批處理效應”（10倍交叉驗證不會僅攪動患者的MRI切片）而出現這種不良折疊。 另一方面，混洗拆分會在拆分為訓練和測試之前對整個數據集進行混洗，因此避免了“不良”患者一並出現。

如果有人有興趣，這些是新的情節。 與以前相同的模型，只是混洗拆分而不是k折交叉驗證。

訓練准確性和驗證准確性

火車損失和驗證損失