我在youtube上关注了一个教程,我偶然没有在Keras上添加model.add(Dense(6, activation='relu'))
,我的准确率达到了36%。我添加此代码后,它上升到86%。为什么会这样?
这是代码
from sklearn.model_selection import train_test_split
import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
np.random.seed(3)
classifications = 3
dataset = np.loadtxt('wine.csv', delimiter=",")
X = dataset[:,1:14]
Y = dataset[:,0:1]
x_train, x_test, y_train, y_test = train_test_split(X, Y, test_size=0.66,
random_state=5)
y_train = keras.utils.to_categorical(y_train-1, classifications)
y_test = keras.utils.to_categorical(y_test-1, classifications)
model = Sequential()
model.add(Dense(10, input_dim=13, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(6, activation='relu')) # This is the code I missed
model.add(Dense(6, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(2, activation='relu'))
model.add(Dense(classifications, activation='softmax'))
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=
['accuracy'])
model.fit(x_train, y_train, batch_size=15, epochs=2500, validation_data=
(x_test, y_test))
答案 0 :(得分:1)
在我看来,也许它是您的训练集与测试集的比率。您拥有66%的测试集,因此使用此模型进行培训可能不合适。因此,少一层密集的准确性会有更大的变化。您放置test_size = 0.2
并再次尝试更改缺失图层的准确性。
答案 1 :(得分:1)
层数是一个超级参数,就像学习率一样,没有神经元。 这些在确定准确性方面起着重要作用。 所以在你的情况下。
model.add(Dense(6, activation='relu'))
这一层起了关键作用。 我们无法理解这些层究竟在做什么。 我们能做的最好的事情就是进行超参数调整,以获得超级参数的最佳组合。