我有一个50x22的数据集,其中包括22个特征。目标是对从1到5的目标进行分类,相当于5个类。我使用的随机林的准确率为98%,但验证率为63%,这并不令人满意。这就是为什么我决定创建一个深层模型,并创建了一个包含3层的模型。损耗结果在6.7*10e-4左右是令人满意的,但精度固定为零。我觉得我的代码有点不对劲。那么,有什么问题
def build_and_compile_model(norm):
model = keras.Sequential([
norm,
layers.Dense(32, activation='relu'),
layers.Dense(32, activation='relu'),
layers.Dense(1,activation='sigmoid')
])
model.compile(optimizer='sgd',
loss='binary_crossentropy',
metrics=[tf.keras.metrics.Accuracy()])
return model
def plot_acc(history):
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label='val_accuracy')
plt.ylim([0, 1])
plt.xlabel('Epoch')
plt.ylabel('Accuracy [GSR]')
plt.legend()
plt.grid(True)
dnn_qoe_model = build_and_compile_model(feature_normalizer)
dnn_qoe_model.summary()
history = dnn_qoe_model.fit(
train_features[:22], train_labels,
validation_split=0.2,
verbose=0, epochs=100)
plot_acc(history)
您正在使用
loss='binary_crossentropy'
和layers.Dense(1,activation='sigmoid')
,它们用于二进制分类问题因为您希望预测5个类中的一个,所以您正在考虑一个多类问题
如果您的目标是一个热编码的,看起来是这样的:
[0,1,0,0,0]
对于一个类,您应该使用layers.Dense(5,activation='softmax')
和loss='categorical_crossentropy'
如果您的目标不是一个热编码的,这意味着响应是一个引用类号的整数,在前面的示例中是
[1]
(正类的位置),那么您应该使用layers.Dense(5,activation='softmax')
,并将loss函数更改为loss='sparse_categorical_crossentropy'
,因为您的目标变量被编码为稀疏向量(指零向量中包含1的项的索引)相关问题 更多 >
编程相关推荐