Question

我正在尝试使用Tensorflow / Keras练习机器学习技能，但是在拟合模型时遇到了麻烦。让我解释一下我做了什么以及我现在在哪里。

我正在使用Kaggle的Costa Rican Household Poverty Level Prediction Challenge

中的数据集

由于我只是想熟悉Tensorflow工作流程，因此我通过删除一些缺少大量数据的列来清理数据集，然后用均值填充其他列。因此，我的数据集中没有缺失值。

接下来，我使用TF中的make_csv_dataset加载了新的，经过清理的csv。

batch_size = 32

train_dataset = tf.data.experimental.make_csv_dataset(
    'clean_train.csv',
    batch_size,
    column_names=column_names,
    label_name=label_name,
    num_epochs=1)

我设置了一个函数来返回我的编译模型，如下所示：

f1_macro = tfa.metrics.F1Score(num_classes=4, average='macro')

def get_compiled_model():
    model = tf.keras.Sequential([
      tf.keras.layers.Dense(512, activation=tf.nn.relu, input_shape=(137,)),  # input shape required
      tf.keras.layers.Dense(256, activation=tf.nn.relu),
      tf.keras.layers.Dense(4, activation=tf.nn.softmax)
    ])

    model.compile(optimizer='adam',
                loss='binary_crossentropy',
                metrics=[f1_macro, 'accuracy'])
    return model

model = get_compiled_model()
model.fit(train_dataset, epochs=15)

以下是结果

我的笔记本的链接为Here

我应该提到，我的实现完全基于Tensorflow的虹膜数据walkthrough

谢谢！

Answer 1

过了一会儿，我发现了与您的代码有关的问题，它们的重要性排在了先后。（首先是最重要的）

您正在执行多类分类（不是二进制分类）。因此，您的损失应为categorical_crossentropy。
您还没有对标签进行热编码。使用binary_crossentropy并将标签作为数字ID绝对不是前进的道路。相反，您应该对标签进行热编码并像多类分类问题一样解决它。这是您的操作方式。

def pack_features_vector(features, labels):
    """Pack the features into a single array."""
    features = tf.stack(list(features.values()), axis=1)
    return features, tf.one_hot(tf.cast(labels-1, tf.int32), depth=4)

规范化您的数据。如果您查看您的训练数据。他们没有规范化。他们的价值观无处不在。因此，您应该考虑通过执行以下操作来规范化数据。这只是出于演示目的。您应该在scikit中阅读有关Scalers的知识，然后选择最适合自己的语言。

x = train_df[feature_names].values #returns a numpy array
min_max_scaler = preprocessing.StandardScaler()
x_scaled = min_max_scaler.fit_transform(x)
train_df = pd.DataFrame(x_scaled)

这些问题应该使您的模型更简单。

为什么我的准确度将为零时损失却呈下降趋势？

1 个答案: