如何使用Keras训练和调整人工多层感知器神经网络？

Question

我正在使用Keras构建我的第一个人工多层感知器神经网络。

这是我的输入数据：

这是我用来构建我的初始模型的代码，它基本上遵循Keras示例代码：

model = Sequential()
model.add(Dense(64, input_dim=14, init='uniform'))
model.add(Activation('tanh'))
model.add(Dropout(0.5))
model.add(Dense(64, init='uniform'))
model.add(Activation('tanh'))
model.add(Dropout(0.5))
model.add(Dense(2, init='uniform'))
model.add(Activation('softmax'))

sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='mean_squared_error', optimizer=sgd)
model.fit(X_train, y_train, nb_epoch=20, batch_size=16)

输出：

Epoch 1/20
1213/1213 [==============================] - 0s - loss: 0.1760     
Epoch 2/20
1213/1213 [==============================] - 0s - loss: 0.1840     
Epoch 3/20
1213/1213 [==============================] - 0s - loss: 0.1816     
Epoch 4/20
1213/1213 [==============================] - 0s - loss: 0.1915     
Epoch 5/20
1213/1213 [==============================] - 0s - loss: 0.1928     
Epoch 6/20
1213/1213 [==============================] - 0s - loss: 0.1964     
Epoch 7/20
1213/1213 [==============================] - 0s - loss: 0.1948     
Epoch 8/20
1213/1213 [==============================] - 0s - loss: 0.1971     
Epoch 9/20
1213/1213 [==============================] - 0s - loss: 0.1899     
Epoch 10/20
1213/1213 [==============================] - 0s - loss: 0.1957     
Epoch 11/20
1213/1213 [==============================] - 0s - loss: 0.1923     
Epoch 12/20
1213/1213 [==============================] - 0s - loss: 0.1910     
Epoch 13/20
1213/1213 [==============================] - 0s - loss: 0.2104     
Epoch 14/20
1213/1213 [==============================] - 0s - loss: 0.1976     
Epoch 15/20
1213/1213 [==============================] - 0s - loss: 0.1979     
Epoch 16/20
1213/1213 [==============================] - 0s - loss: 0.2036     
Epoch 17/20
1213/1213 [==============================] - 0s - loss: 0.2019     
Epoch 18/20
1213/1213 [==============================] - 0s - loss: 0.1978     
Epoch 19/20
1213/1213 [==============================] - 0s - loss: 0.1954     
Epoch 20/20
1213/1213 [==============================] - 0s - loss: 0.1949

如何训练和调整此模型并让我的代码输出我最好的预测模型？我是神经网络的新手，我只是完全混淆了构建模型后的下一步是什么。我知道我想优化它，但我不确定要调整哪些功能，或者我应该手动执行它还是如何编写代码来执行此操作。

Answer 1

你可以做的一些事情是：

• 将您的损失功能从mean_squared_error更改为binary_crossentropy。 mean_squared_error用于回归，但您希望对数据进行分类。
• 将show_accuracy=True添加到您的fit()函数中，该函数会在每个时期输出模型的准确性。这些信息对您来说可能比损失价值更有用。
• 将validation_split=0.2添加到您的fit()功能中。目前，您只是在训练集上进行训练并且无需进行任何验证。这是机器学习的禁忌，因为您可以确定您的模型并没有简单地记住您的数据集的正确答案（没有真正理解为什么这些答案是正确的）。
• 从奥巴马/罗姆尼改为民主党/共和党，并增加以往选举的数据。 ~1200个例子是神经网络的一个非常小的数据集。还要添加包含有价值信息的列，例如失业率或人口密度。请注意，相当一部分值（如人口数）可能与提供州名称相似，例如，你的网可能会得知德克萨斯意味着Republican。
• 如果您还没有这样做，请将所有值标准化为0到1的范围（通过从每个值中减去列的最小值，然后除以列的（最大 - 最小值）） 。神经网络可以比非标准化数据更好地处理标准化数据。
• 尝试Adam和Adagrad代替SGD。有时他们表现更好。 （见documentation about optimizers。）
• 尝试Activation('relu')，LeakyReLU，PReLU和ELU代替Activation('tanh')。 Tanh很少是最好的选择。 （见advanced activation functions。）
• 尝试增加/减少密集图层大小（例如从64到128）。还可以尝试添加/删除图层。
• 尝试添加BatchNormalization图层（Activation图层之前）。 （见documentation。）
• 尝试更改辍学率（例如从0.5到0.25）。