如何解决Keras二元分类不同数据集相同预测结果
我有 2 个预测标签值,-1 或 1。
使用 LSTM
或 Dense
学习看起来不错,但是对于不同的预测数据集,预测总是相同的,将层更改为 Dense 不会改变预测,也许我做错了什么。>
这是代码
// set up data arrays
float[,] training_data = new float[training.Count(),12,200];
float[,] testing_data = new float[testing.Count(),] predict_data = new float[1,200];
IList<float> training_labels = new List<float>();
IList<float> testing_labels = new List<float>();
// Load Data and add to arrays
...
...
/////////////////////////
ndarray train_y = np.array(training_labels.ToArray());
ndarray train_x = np.array(training_data);
ndarray test_y = np.array(testing_labels.ToArray());
ndarray test_x = np.array(testing_data);
ndarray predict_x = np.array(predict_data);
train_y = Util.ToCategorical(train_y,2);
test_y = Util.ToCategorical(test_y,2);
//Build functional model
var model = new Sequential();
model.Add(new Input(shape: new Keras.Shape(12,200)));
model.Add(new Batchnormalization());
model.Add(new LSTM(128,activation: "tanh",recurrent_activation: "sigmoid",return_sequences: false));
model.Add(new Dropout(0.2));
model.Add(new Dense(32,activation: "relu"));
model.Add(new Dense(2,activation: "softmax"));
model.Compile(optimizer: new SGD(),loss: "binary_crossentropy",metrics: new string[] { "accuracy" });
model.Summary();
var history = model.Fit(train_x,train_y,batch_size: 1,epochs: 1,verbose: 1,validation_data: new ndarray[] { test_x,test_y });
var score = model.Evaluate(test_x,test_y,verbose: 2);
Console.WriteLine($"Test loss: {score[0]}");
Console.WriteLine($"Test accuracy: {score[1]}");
ndarray predicted=model.Predict(predict_x,verbose: 2);
Console.WriteLine($"Prediction: {predicted[0][0]*100}");
Console.WriteLine($"Prediction: {predicted[0][1]*100}");
这是输出
483/483 [==============================]
- 9s 6ms/step - loss: 0.1989 - accuracy: 0.9633 - val_loss: 0.0416 - val_accuracy: 1.0000
4/4 - 0s - loss: 0.0416 - accuracy: 1.0000
Test loss: 0.04155446216464043
Test accuracy: 1
1/1 - 0s
Prediction: 0.0010418787496746518
Prediction: 99.99896287918091
在 ML.net 中使用的相同预测数据给出了不同的结果,但使用 ML.Net 的准确度仅为 0.6,这就是我需要深度学习的原因
解决方法
我没有设置 c# 来重现您的代码。但是我看到一个您可能需要考虑的小问题(不确定这是否导致了问题)。根据您上面的代码设置,我认为您使用了错误的 loss
函数进行训练。设置后,
Util.ToCategorical(train_y,2);
model.Add(new Dense(2,activation: "softmax"));
那么你的损失函数应该是 'categorical_crossentropy'
而不是 'binary_crossentropy'
。因为,您将标签 (-1,1) 转换为单热编码向量并在最后一层设置 softmax
激活。
然而,正如你所说,你的标签是 -1 和 1;因此,如果您将问题视为二元分类问题,那么设置应如下所示:
# Util.ToCategorical(train_y,2); # no transformation
model.Add(new Dense(1,activation: "sigmoid"));
model.compile(...,loss: "binary_crossentropy" )
参考。
更新
这里我将给出一些工作演示代码以便更好地理解。但在此之前,这里有一个小说明。假设我们有一个训练数据集,标签从 < 0
或负值开始,例如 [-2,-1,1]
。要将这个整数值转换为单热编码向量,我们可以选择 tf.keras.utils.to_categorical
或 pd.get_dummies
函数。但是这两种方法之间的一个小区别是,在 tf..to_categorical
中,我们的整数标签必须从 0
开始;这不是在 pd.get_dummies
的情况下,请检查我的 other answers。不久,
np.random.randint(-1,1,size=(80))
array([-1,0 .. ]
pd.get_dummies(a).astype('float32').values[:5]
array([[1.,0.],[1.,[0.,1.],1.]],dtype=float32)
tf.keras.utils.to_categorical(a+1,num_classes = 2)[:5]
array([[1.,dtype=float32)
好的,我现在给出一些有效的演示代码。
img = tf.random.normal([80,32],tf.float32)
tar = pd.get_dummies(np.random.randint(-1,# mine: [-1,1) - yours: [-1,1]
size=80)).astype('float32').values
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(10,input_dim = 32,kernel_initializer ='normal',activation= 'relu'))
model.add(tf.keras.layers.Dense(2,activation='softmax'))
model.compile(loss='categorical_crossentropy',optimizer='adam',metrics=['accuracy'])
model.fit(img,tar,epochs=10,verbose=2)
Epoch 1/10
3/3 - 0s - loss: 0.7610 - accuracy: 0.4375
Epoch 2/10
3/3 - 0s - loss: 0.7425 - accuracy: 0.4375
....
Epoch 8/10
3/3 - 0s - loss: 0.6694 - accuracy: 0.5125
Epoch 9/10
3/3 - 0s - loss: 0.6601 - accuracy: 0.5750
Epoch 10/10
3/3 - 0s - loss: 0.6511 - accuracy: 0.5750
推理
loss,acc = model.evaluate(img,tar); print(loss,acc)
pred = model.predict(img); print(pred[:5])
3ms/step - loss: 0.6167 - accuracy: 0.7250
0.6166597604751587 0.7250000238418579
# probabilities of the predicted labels -1 and 0
[[0.35116166 0.64883834]
[0.5542663 0.4457338 ]
[0.28023133 0.71976864]
[0.5024315 0.49756846]
[0.41029742 0.5897026 ]]
现在,如果我们这样做
print(pred[0])
pred[0].argmax(-1) # expect: -1,0 as our label
[0.35116166 0.64883834]
1
它分别为目标标签 0.35x
和 0.64x
提供 -1
和 0
。但是,当我们根据概率为预测的标签做 .argmax
时,它返回零索引的最高值; (使训练标签从零索引开始的一个原因,因此我认为在您的情况下最好将 [-1,1]
转换为 [0,1]
)。
好的,最后,正如您所提到的,您需要预测标签和相应的置信度分数;为此,我们可以将 tf.math.top_k 与 k = num_of_class
结合使用。
top_k_values,top_k_indices = tf.math.top_k(pred,k=2)
for values,indices in zip(top_k_values,top_k_indices):
print(
'For class {},model confidence {:.2f}%'
.format(indices.numpy()[0]-1,values.numpy()[0]*100)
)
print(
'For class {},model confidence {:.2f}%'
.format(indices.numpy()[1]-1,values.numpy()[1]*100)
)
'''
Note: above we substract -1 to match with
the target label (-1,0)
And it would not necessary if we initially -
transform our label from (-1,0) to (0,1),i.e. start from zero
'''
print()
break # remove for full results
For class 0,model confidence 64.88%
For class -1,model confidence 35.12%
验证分数顺序
# pick first samples: input and label
model(img)[0].numpy(),tar[0]
(array([0.35116166,0.64883834],dtype=float32),array([0.,dtype=float32))
Here,0: for -1
1: for 0
# Again,better to transform (-1,1) at initial.
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。