我不明白输出中使用哪种准确度来比较我的2 Keras模型,看哪哪种更好。
我是否使用" acc" (来自训练数据?)一个或者" val acc" (来自验证数据?)一个?
每个时代都有不同的acc和val acc。我如何知道我的模型作为一个整体的acc或val acc?我是否平均所有时期accs或val accs来找到整个模型的acc或val acc?
模型1输出
Train on 970 samples, validate on 243 samples
Epoch 1/20
0s - loss: 0.1708 - acc: 0.7990 - val_loss: 0.2143 - val_acc: 0.7325
Epoch 2/20
0s - loss: 0.1633 - acc: 0.8021 - val_loss: 0.2295 - val_acc: 0.7325
Epoch 3/20
0s - loss: 0.1657 - acc: 0.7938 - val_loss: 0.2243 - val_acc: 0.7737
Epoch 4/20
0s - loss: 0.1847 - acc: 0.7969 - val_loss: 0.2253 - val_acc: 0.7490
Epoch 5/20
0s - loss: 0.1771 - acc: 0.8062 - val_loss: 0.2402 - val_acc: 0.7407
Epoch 6/20
0s - loss: 0.1789 - acc: 0.8021 - val_loss: 0.2431 - val_acc: 0.7407
Epoch 7/20
0s - loss: 0.1789 - acc: 0.8031 - val_loss: 0.2227 - val_acc: 0.7778
Epoch 8/20
0s - loss: 0.1810 - acc: 0.8010 - val_loss: 0.2438 - val_acc: 0.7449
Epoch 9/20
0s - loss: 0.1711 - acc: 0.8134 - val_loss: 0.2365 - val_acc: 0.7490
Epoch 10/20
0s - loss: 0.1852 - acc: 0.7959 - val_loss: 0.2423 - val_acc: 0.7449
Epoch 11/20
0s - loss: 0.1889 - acc: 0.7866 - val_loss: 0.2523 - val_acc: 0.7366
Epoch 12/20
0s - loss: 0.1838 - acc: 0.8021 - val_loss: 0.2563 - val_acc: 0.7407
Epoch 13/20
0s - loss: 0.1835 - acc: 0.8041 - val_loss: 0.2560 - val_acc: 0.7325
Epoch 14/20
0s - loss: 0.1868 - acc: 0.8031 - val_loss: 0.2573 - val_acc: 0.7407
Epoch 15/20
0s - loss: 0.1829 - acc: 0.8072 - val_loss: 0.2581 - val_acc: 0.7407
Epoch 16/20
0s - loss: 0.1878 - acc: 0.8062 - val_loss: 0.2589 - val_acc: 0.7407
Epoch 17/20
0s - loss: 0.1833 - acc: 0.8072 - val_loss: 0.2613 - val_acc: 0.7366
Epoch 18/20
0s - loss: 0.1837 - acc: 0.8113 - val_loss: 0.2605 - val_acc: 0.7325
Epoch 19/20
0s - loss: 0.1906 - acc: 0.8010 - val_loss: 0.2555 - val_acc: 0.7407
Epoch 20/20
0s - loss: 0.1884 - acc: 0.8062 - val_loss: 0.2542 - val_acc: 0.7449
模型2输出
Train on 970 samples, validate on 243 samples
Epoch 1/20
0s - loss: 0.1735 - acc: 0.7876 - val_loss: 0.2386 - val_acc: 0.6667
Epoch 2/20
0s - loss: 0.1733 - acc: 0.7825 - val_loss: 0.1894 - val_acc: 0.7449
Epoch 3/20
0s - loss: 0.1781 - acc: 0.7856 - val_loss: 0.2028 - val_acc: 0.7407
Epoch 4/20
0s - loss: 0.1717 - acc: 0.8021 - val_loss: 0.2545 - val_acc: 0.7119
Epoch 5/20
0s - loss: 0.1757 - acc: 0.8052 - val_loss: 0.2252 - val_acc: 0.7202
Epoch 6/20
0s - loss: 0.1776 - acc: 0.8093 - val_loss: 0.2449 - val_acc: 0.7490
Epoch 7/20
0s - loss: 0.1833 - acc: 0.7897 - val_loss: 0.2272 - val_acc: 0.7572
Epoch 8/20
0s - loss: 0.1827 - acc: 0.7928 - val_loss: 0.2376 - val_acc: 0.7531
Epoch 9/20
0s - loss: 0.1795 - acc: 0.8062 - val_loss: 0.2445 - val_acc: 0.7490
Epoch 10/20
0s - loss: 0.1746 - acc: 0.8103 - val_loss: 0.2491 - val_acc: 0.7449
Epoch 11/20
0s - loss: 0.1831 - acc: 0.8082 - val_loss: 0.2477 - val_acc: 0.7449
Epoch 12/20
0s - loss: 0.1831 - acc: 0.8113 - val_loss: 0.2496 - val_acc: 0.7490
Epoch 13/20
0s - loss: 0.1920 - acc: 0.8000 - val_loss: 0.2459 - val_acc: 0.7449
Epoch 14/20
0s - loss: 0.1945 - acc: 0.7928 - val_loss: 0.2446 - val_acc: 0.7490
Epoch 15/20
0s - loss: 0.1852 - acc: 0.7990 - val_loss: 0.2459 - val_acc: 0.7449
Epoch 16/20
0s - loss: 0.1800 - acc: 0.8062 - val_loss: 0.2495 - val_acc: 0.7449
Epoch 17/20
0s - loss: 0.1891 - acc: 0.8000 - val_loss: 0.2469 - val_acc: 0.7449
Epoch 18/20
0s - loss: 0.1891 - acc: 0.8041 - val_loss: 0.2467 - val_acc: 0.7531
Epoch 19/20
0s - loss: 0.1853 - acc: 0.8072 - val_loss: 0.2511 - val_acc: 0.7449
Epoch 20/20
0s - loss: 0.1905 - acc: 0.8062 - val_loss: 0.2460 - val_acc: 0.7531
答案 0 :(得分:55)
我是否使用" acc" (来自训练数据?)一个或者" val acc" (来自验证数据?)一个?
如果要估计模型推广到新数据的能力(这可能是您想要做的事情),那么您需要查看验证准确性,因为验证拆分仅包含模型从未在期间看到的数据培训及其不能只记住。
如果您的验证数据准确性(" val_acc")变得更糟,您的培训数据准确性(" acc")会持续改善,那么您很可能处于overfitting状态,即你的模型基本上只是记住数据。
每个时代都有不同的acc和val acc。我如何知道我的模型作为一个整体的acc或val acc?我是否平均所有时期accs或val accs来找到整个模型的acc或val acc?
每个时代都是对所有数据的训练。在该运行期间,模型的参数将根据您的损失函数进行调整。结果是一组具有一定能力推广到新数据的参数。验证准确性反映了这种能力。因此,将每个时代都视为自己的模型,如果它被训练为另一个时代,它可以变得更好或更糟。验证准确度的变化(更好=验证准确度增加)判断它是好还是坏。因此,选择具有最高验证准确度的时代模型。不要在不同的时代平均精确度,这不是很有意义。您可以使用Keras回调ModelCheckpoint
自动保存具有最高验证准确度的模型(请参阅callbacks documentation)。
模型1中的最高精度为0.7737
,模型2中的最高精度为0.7572
。因此,您应该更好地查看模型1(在第3纪元)。虽然0.7737
可能只是一个随机异常值。
答案 1 :(得分:5)
你需要键入降低val_loss或增加val_acc,最终它并不重要。差异完全在随机/舍入误差范围内。
在实践中,由于过度拟合,训练损失会显着下降,这就是为什么要查看验证损失的原因。
在你的情况下,你可以看到你的训练损失没有下降 - 这意味着你在每个时代之后都没有学到任何东西。除了一些类似线性的拟合或截止值之外,这个模型看起来没有什么可学的。
此外,当什么都不学习或者是一个微不足道的线性事物时,你应该在训练和验证上有类似的表现(琐碎的学习总是可以推广)。在使用validation_split功能之前,您可能应该对数据进行随机播放。