Keras MLP 分类器不学习答案

【问题标题】：Keras MLP classifier not learningKeras MLP 分类器不学习
【发布时间】：2019-10-24 16:49:12
【问题描述】：

我有这样的数据

有 29 列，其中我必须预测 winPlacePerc（数据帧的极端端）介于 1（高 perc ) 到 0（低 perc）

29 列中 25 是数字数据 3 是 ID(object) 1 是分类

我删除了所有 Id 列（因为它们都是唯一的）并将 categorical(matchType) 数据编码为一个热编码

做完这一切后，我剩下 41 列（在一个热门之后）

这就是我创建数据的方式

X = df.drop(columns=['winPlacePerc'])
#creating a dataframe with only the target column
y = df[['winPlacePerc']]

现在我的 X 有 40 列，这是我的标签数据的样子

> y.head()

winPlacePerc
0   0.4444
1   0.6400
2   0.7755
3   0.1667
4   0.1875

我也碰巧有非常大量的数据，比如 400k 数据，所以为了测试目的，我正在训练其中的一小部分，使用 sckit 进行训练

X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.997, random_state=32)

它提供了近 13k 的训练数据

对于模型，我使用的是 Keras 顺序模型

from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dense, Dropout, Activation
from keras.layers.normalization import BatchNormalization
from keras import optimizers

n_cols = X_train.shape[1]

model = Sequential()

model.add(Dense(40, activation='relu', input_shape=(n_cols,)))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='mean_squared_error',
              optimizer='Adam',
              metrics=['accuracy'])

model.fit(X_train, y_train,
          epochs=50,
          validation_split=0.2,
          batch_size=20)

由于我的 y-label 数据介于 0 和 1 之间，我使用 sigmoid 层作为我的 输出层

这是训练和验证损失和准确度图

我还尝试使用 step 函数和 binary cross entropy 损失函数将标签转换为 binary

之后 y-label 数据看起来像

> y.head()

winPlacePerc
0   0
1   1
2   1
3   0
4   0

改变损失函数

model.compile(loss='binary_crossentropy',
              optimizer='Adam',
              metrics=['accuracy'])

这种方法比以前更糟糕

正如您所见，它在某个时期后没有学习，即使我获取所有数据而不是其中的一部分，也会发生这种情况

在这不起作用之后，我还使用了 dropout 并尝试添加更多层，但这里没有任何效果

现在我的问题是，我在这里做错了什么是错误的层还是在数据中我该如何改进？

【问题讨论】：

我相信你的损失函数可能是问题所在。以均方误差损失为例。
感谢您指出这一点，实际上我使用阶跃函数将我的整个标签数据转换为二进制 0 和 1，因为我使用的是二进制交叉熵，现在我将尝试均方损失原始标签数据
尝试添加更多层，将数值列标准化为-1、1，尝试使用学习率。

标签： python machine-learning keras classification data-science

【解决方案1】：

from sklearn.preprocessing import StandardScaler

n_cols = X_train.shape[1]
ss = StandardScaler()
X_train = ss.fit_transform(X_train)

model = Sequential()    
model.add(Dense(128, activation='relu', input_shape=(n_cols,)))
model.add(Dense(64, activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dense(1))

model.compile(loss='mean_squared_error',
              optimizer='Adam',
              metrics=['mean_squared_error'])

model.fit(X_train, y_train,
          epochs=50,
          validation_split=0.2,
          batch_size=20)

规范化数据
为您的网络增加更多深度
使最后一层线性

准确度不是回归的好指标。我们来看一个例子

predictions: [0.9999999, 2.0000001, 3.000001]
ground Truth: [1, 2, 3]

Accuracy = No:of Correct / Total => 0 /3 = 0

准确度为0，但预测与基本事实非常接近。另一方面，MSE 将非常低，表明预测与基本事实的偏差非常小。

【讨论】：

第二次添加 MSE（作为一个指标）虽然没有错，但实际上是多余的，并没有提供任何东西。解释一下为什么准确性在这里毫无意义会很有用。

【解决方案2】：

澄清一下 - 这是一个回归问题，因此使用准确度实际上没有意义，因为您永远无法预测 0.23124 的确切值。

首先，您肯定希望在将值传递到网络之前对其进行规范化（不是热编码的值）。尝试使用StandardScaler 作为开始。

其次，我建议更改输出层中的激活函数 - 尝试使用 linear 并作为损失 mean_squared_error 应该没问题。

为了验证您的模型 “准确性” 将预测值与实际值一起绘制 - 这应该让您有机会直观地验证结果。不过，话虽如此，你的损失看起来已经相当不错了。

检查this post，应该可以让您很好地掌握什么（激活和损失函数）以及何时使用。

【讨论】：