有代码如下（1）数据迭代器：class DealDataset_LAI_train: def __init__(self): data_dir = r"D:\PyCharm\Paper_2025\c1_data_labels.mat" data = sio.loadmat(data_dir) # c1_features train_data = torch.from_numpy(data["c1_features"]) train_label_1 = torch.from_numpy(data["c1_labels"]) train_label = train_label_1*0.001 self.train_data = np.reshape(train_data, (-1, 1, 23)) self.train_label = train_label self.len = self.train_data.shape[0] pass def __getitem__(self, index): return self.train_data[index], self.train_label[index] def __len__(self): return self.len class DealDataset_LAI_test: def __init__(self): data_dir = r"D:\PyCharm\Paper_2025\c1_data_labels.mat" data = sio.loadmat(data_dir) test_data = torch.from_numpy((data["c1_features"])) self.test_data = np.reshape(test_data, (-1, 1, 23)) test_label_1 = torch.from_numpy(data["c1_labels"]) test_label = test_label_1*0.001 self.test_label =test_label self.len = self.test_data.shape[0] def __getitem__(self, index): return self.test_data[index], self.test_label[index] def __len__(self): return self.len

### 改进建议 为了优化或改进 `DealDataset_LAI_train` 和 `DealDataset_LAI_test` 的功能与实现，可以从以下几个方面入手： #### 1. **增强数据预处理逻辑** 数据预处理是机器学习模型性能的关键因素之一。可以引入更复杂的预处理方法来提升数据质量。 - 对于时间序列数据（如 LAI），可以通过滑动窗口技术生成更多特征。 ```python def create_features(df, target, window=3): df['rolling_mean'] = df[target].rolling(window=window).mean() df['rolling_std'] = df[target].rolling(window=window).std() return df.dropna().reset_index(drop=True) train_data = create_features(train_data, 'LAI') test_data = create_features(test_data, 'LAI') ``` - 如果存在缺失值或异常值，可采用插值法或其他高级统计学方法进行填补[^1]。 #### 2. **提高代码的模块化程度** 将重复性的操作封装成函数或类的方法，减少冗余代码并增加可维护性。 - 定义一个通用的数据加载器基类，供训练集和测试集继承。 ```python class BaseDataset(torch.utils.data.Dataset): def __init__(self, data_path, transform=None): self.data = pd.read_csv(data_path) self.transform = transform def preprocess(self): # 统一的预处理逻辑 self.data.dropna(inplace=True) self.data = self.data[self.data['temperature'] > 0] def __len__(self): return len(self.data) def __getitem__(self, idx): sample = { 'features': self.data.iloc[idx][:-1], 'label': self.data.iloc[idx][-1] } if self.transform: sample = self.transform(sample) return sample ``` - 让子类专注于特定的任务细节。 ```python class DealDataset_LAI_train(BaseDataset): def __init__(self, data_path, transform=None): super().__init__(data_path, transform) self.preprocess() class DealDataset_LAI_test(BaseDataset): def __init__(self, data_path, transform=None): super().__init__(data_path, transform) self.preprocess() ``` #### 3. **支持多种输入格式** 当前代码可能仅支持 CSV 文件作为输入源。通过扩展文件读取方式，使其能够兼容 Excel 或其他常见格式。 - 修改初始化部分以适应不同类型的文件路径。 ```python import os class BaseDataset(torch.utils.data.Dataset): def __init__(self, data_path, file_type='csv', transform=None): if file_type == 'csv': self.data = pd.read_csv(data_path) elif file_type == 'excel': self.data = pd.read_excel(data_path) else: raise ValueError(f"Unsupported file type: {file_type}") self.transform = transform ``` #### 4. **集成数据增强机制** 针对某些场景下的小样本问题，可以在数据集中加入随机扰动或噪声模拟，从而扩充有效样本量。 - 添加简单的高斯噪声到数值型字段上。 ```python from scipy.stats import norm def add_noise(series, noise_level=0.01): return series * (1 + noise_level * norm.rvs(size=len(series))) class DealDataset_LAI_train(BaseDataset): def __init__(self, data_path, transform=None, noise_level=0.01): super().__init__(data_path, transform) self.noise_level = noise_level def preprocess(self): super().preprocess() numeric_cols = ['temperature'] for col in numeric_cols: self.data[col] = add_noise(self.data[col], self.noise_level) ``` #### 5. **提供灵活的转换接口** 用户可以根据需求动态调整特征提取的方式或者标签映射规则。 - 设计一个标准化的变换管道。 ```python from sklearn.preprocessing import StandardScaler class FeatureTransformer: def fit_transform(self, X): scaler = StandardScaler() return scaler.fit_transform(X.values.reshape(-1, 1)) class LabelMapper: def map_labels(self, y): return y.apply(lambda x: int(x >= threshold)) ``` --- ###