Keras模型只能预测一个类

时间:2019-04-24 11:28:17

标签: python keras

摘要

我有一个二进制分类任务。毕竟,准确度似乎是%81,但是模型只能预测一个类。

问题:我了解该模型不能学到很多东西;但是为什么只预测一堂课呢?而且我不确定在数据生成过程中是否出错。似乎有什么问题吗?

信息:

  • 我有一个很大的数据(〜2 GB)。因此,我使用Keras的fit_generator方法训练了模型;它不适合内存使用,将来数据可能会更大。

  • 我正在生成器函数中进行预处理和重采样步骤。

  • 数据不平衡。我尝试进行升采样(请参见下面的代码)。

  • 在训练过程中,准确性没有提高;损失几乎没有减少。

  • 这是在测试集上运行classification_report时得到的结果(我对测试集执行完全相同的预处理步骤):

UndefinedMetricWarning: Precision and F-score are ill-defined and being set to 0.0 in labels with no predi
cted samples.

  'precision', 'predicted', average, warn_for)              
              precision    recall  f1-score   support                                                                                                                                                              

     non-VPN       0.81      1.00      0.89     29432                                                                                                                                                              
         VPN       0.00      0.00      0.00      6973                                                                                                                                                              

   micro avg       0.81      0.81      0.81     36405            
   macro avg       0.40      0.50      0.45     36405                                                               
weighted avg       0.65      0.81      0.72     36405   

代码:
数据生成器方法:

def data_generotto(path: str, batchsize: int):
    while True:
        chunks = pd.read_csv(os.path.join(
            path, "shuffled.csv"), sep=';', chunksize=batchsize)

        for i, chunk in enumerate(chunks):
            X, y = preprocess.preprocess(chunk)

            # X = np.array(X).reshape(X.shape[0], 1, X.shape[1])

            yield (X, y)

重新采样(以及其他预处理步骤):

# sorry for messy code
def balance_train_data(data, fold_count=3):
    """Balance the data using sklearn.utils resample to max sentiment count."""
    balanced_data = pd.DataFrame()
    data_dict = dict(data['label'].value_counts())

    for label in data_dict.keys():
        df = data[data.label == label]
        samples_count = int(
            (max(data_dict.values()) - data_dict[label])/fold_count)
        df_up = resample(df, replace=True,
                         n_samples=samples_count, random_state=42)

        print("Resampled {} tweets: {} + {} = {}".format(label,
                                                         len(df), len(df_up), len(df)+len(df_up)))
        balanced_data = pd.concat([balanced_data, df, df_up])
    return shuffle(balanced_data, random_state=42)

一个非常简单的ANN模型:

def create_model(model_folder_name):
    global folder_name
    folder_name = model_folder_name
    model = Sequential()

    model.add(Dense(8, activation='relu', input_dim=4))
    model.add(Dense(4, kernel_initializer='uniform', activation='relu'))
    model.add(Dense(1, kernel_initializer='uniform', activation='sigmoid'))

    optimizer = optimizers.Adam(lr=0.0001)

    model.compile(optimizer=optimizer, loss="binary_crossentropy",
                  metrics=['accuracy'])
    model.summary(print_fn=myprint)

    return model, optimizer.get_config(), "ann"

fit_generator功能:

    model.fit_generator(data_generotto(
        "./complete_csv", BS), steps_per_epoch=TRAIN_SIZE // BS, epochs=EPOCHS, callbacks=[es])

    save_model(model, f"./models/{model_folder_name}/MODEL.h5")

1 个答案:

答案 0 :(得分:0)

您可以尝试使用imblearn并从中使用不同的采样方法。

此外,为了处理不平衡问题,您可以在拟合模型时尝试使用具有适当权重的class_weight