使用神经网络学习分类值的分布

Question

使用神经网络学习分类值的分布

目的是使用神经网络对一维输入进行分类。有两个类应该分类，A 和B。每个用于确定类的输入都是一个介于0.0 和1.0 之间的数字。

class A 的输入值均匀分布在 0 和 1 之间，如下所示：

class B 的输入值都在0.4 到0.6 的范围内，如下所示：

现在我想训练一个神经网络，它可以学习将0.4 到0.6 范围内的值分类为B，其余的分类为A。所以我需要一个可以近似一个类的上限和下限的神经网络。我之前的尝试都没有成功——神经网络总是为所有输入返回 50% 的概率，并且在 epoch 期间损失不会减少。

在 Python 中使用 Tensorflow 和 Keras 我已经训练了以下简单模型：

model = keras.Sequential([
    keras.layers.Dense(1),
    keras.layers.Dense(5, activation=tf.nn.relu),
    keras.layers.Dense(5, activation=tf.nn.relu),
    keras.layers.Dense(2, activation=tf.nn.softmax)
])
model.compile(optimizer='adam', loss='mean_squared_error', metrics=['accuracy'])

（下面链接的完整训练脚本）

顺便说一句，我会想象神经网络是这样工作的：一些神经元只在 0.4 以下，有些只在 0.6 以上。如果这些神经元组中的任何一组触发，则为A 类，如果两者均未触发，则为B 类。不幸的是，事实并非如此。

如何使用神经网络对上述输入进行分类？

--

示例脚本：https://pastebin.com/xNJUqXyU

Answer 1

您的模型架构中可能会发生一些变化。

首先，loss不应该是loss='mean_squared_error'，最好用loss='binary_crossentropy'，更适合二分类问题。这里我就不解释区别了，这点在 Keras 文档中可以很容易地查到。

您还需要更改最后一层的定义。您只需要最后一个节点，这将是属于第 1 类的概率（因此具有属于第 0 类概率的节点是多余的），并且您应该使用activation=tf.nn.sigmoid 而不是 softmax。

您可以做的其他事情是定义类权重来处理数据的不平衡。考虑到您在此处定义样本的方式，将 0 类的权重设为 1 类的 4 倍似乎是有意义的。

完成所有这些更改后，您应该得到如下所示的内容：

model = keras.Sequential([
keras.layers.Dense(1),
keras.layers.Dense(5, activation=tf.nn.relu),
keras.layers.Dense(5, activation=tf.nn.relu),
keras.layers.Dense(1, activation=tf.nn.sigmoid)
])

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

model.fit(np.array(inputs_training), np.array(targets_training), epochs=5, verbose=1, class_weight = {0:4, 1:1})

这给了我 96% 的验证集准确率，并且每个 epoch 确实减少了损失。

（顺便说一句，在我看来，决策树更适合这里，因为它的行为会像您描述的那样明确地执行分类）