具有 3 个输出的 Keras 回归模型仅对一个输出提供准确的结果

Question

我正在尝试使用 python 中的 keras 运行一个神经网络，它有 2 个输入值和 3 个输出值。输入代表自然频率，而输出代表等效冰载荷。问题是在模型完成训练后，它似乎只为预测一个输入而不是所有三个输入而训练。该模型是回归而不是分类。我在这里展示我的代码

seed = 9
np.random.seed(seed)
# import dataset
dataset=np.loadtxt("Final_test_matrix_new_3_digits.csv", delimiter=",")
# Define dataset
Y=dataset[:, 0:3]
X=dataset[:, 3:5]
#Categorize data
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.3, 
random_state = seed)
# create model
model = Sequential()
model.add(Dense(12, input_dim=2,activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(3, init='uniform', activation='relu'))
# compile the model
model.compile(loss='mean_squared_logarithmic_error', optimizer='adam', 
metrics=['accuracy'])
# checkpoint
filepath="weights.best_12_8_8_neurons.hdf5"
checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1, 
save_best_only=True, mode='max')
callbacks_list = [checkpoint]
# fit the model
history=model.fit(X_train, Y_train, validation_split=0.1, epochs=100000, 
batch_size=10,callbacks=callbacks_list)
# evaluate the model
scores = model.evaluate(X_test, Y_test)
print ("Accuracy: %.2f%%" %(scores[1]*100))

根据 python，模型的准确度是 65%，但这个事实并没有影响输出的准确度，因为第二个输出的准确度低于第一个输出的准确度，第三个输出的准确度是几乎为 0。代码的主要目标是创建一个回归模型，其中所有输出都将具有相同的精度。下面分别显示了模型精度、模型损失和每个输出的预测：

Answer 1

看起来随机森林更适合您的情况。你应该试一试，特别是如果你有不平衡的类。

作为一种解决方法，您可以增加 Dense(8) 层中的节点数，具体取决于数据的差异。

然后，您必须检查少数类并调整以下代码（Synthetic Minority Oversampling Technique）：

from imblearn.over_sampling import SMOTE

sm = SMOTE()
x_train2, y_train2 = sm.fit_sample(X_train, Y_train)

请注意，此代码仅适用于二进制输出，因此您应该对 3 个类进行一次热编码，然后将其应用到 0 类和 1 类，然后是 0 类和 2 类，从零类中移除双倍过采样。然后运行你的神经网络模型，将validation_split 增加到 0.2。