我用tensorflow在Keras中实现了一个基本的MLP,并试图解决一个二进制分类问题。对于二元分类,似乎乙状结肠是推荐的激活函数,我不太明白为什么,以及凯拉斯是如何处理这个问题的。
我知道sigmoid函数将产生0到1之间的值。我的理解是,对于使用乙状结肠的分类问题,将有一个特定的阈值用于确定输入的类别(通常为0.5)。在Keras中,我没有看到任何方法来指定这个阈值,所以我假设它是在后端隐式完成的?如果是这种情况,凯拉斯如何区分乙状结肠在二元分类问题中的使用,还是回归问题?对于二元分类,我们需要一个二元值,但对于回归,则需要一个标称值。我所能看到的,可能表明这是损失函数。这是在告诉凯拉斯如何处理数据吗?
另外,假设Keras隐式地应用了一个阈值,为什么当我使用我的模型预测新数据时它会输出标称值?
例如:
y_pred = model.predict(x_test)
print(y_pred)
给出:
[7.4706882e-02] [8.3481872e-01] [2.9314638e-04] [5.2297767e-03] [2.1608515e-01] ... [4.4894204e-03] [5.1120580e-05] [7.0263929e-04]
我可以自己应用一个阈值来预测得到一个二进制输出,但是Keras必须这样做,无论如何,为了正确分类?也许Keras在训练模型时应用了一个阈值,但是当我使用它来预测新值时,阈值并没有被用作预测中没有使用的损失函数?或者根本没有应用阈值,而输出的标称值恰好与我的模型很好地配合?我已经在Keras的二进制分类示例中检查过这种情况,所以我认为我的代码没有任何错误,特别是因为它预测准确。
如果有人能解释这是如何工作的,我将非常感谢。
以下是我的模型作为参考:
model = Sequential()
model.add(Dense(124, activation='relu', input_shape = (2,)))
model.add(Dropout(0.5))
model.add(Dense(124, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(1, activation='sigmoid'))
model.summary()
model.compile(loss='binary_crossentropy',
optimizer=SGD(lr = 0.1, momentum = 0.003),
metrics=['acc'])
history = model.fit(x_train, y_train,
batch_size=batch_size,
epochs=epochs,
verbose=1,
validation_data=(x_test, y_test))
score = model.evaluate(x_test, y_test, verbose=0)
二元分类的输出是属于一个类的样本的概率。
它不需要。它使用损失函数来计算损失,然后求出导数并更新权重。
换句话说:
y^
和实际的y
。相关问题 更多 >
编程相关推荐