使用带有 python 3.6 的 keras 的神经网络

Question

作为神经网络的新手，我正在尝试用python语言构建神经网络。

我发现keras 包（带有后端 tensorflow）是用 python 语言构建神经网络的最简单（？）方法。

所以我按照网站上的示例代码 (http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/) 使用我的数据构建了如下代码。

# Create MLP in Keras
from keras.models import Sequential
from keras.layers import Dense
import numpy

# fix random seed for reproducibility
numpy.random.seed(10)

# load my data 170515_data
dataset = numpy.loadtxt("170515_data.csv", delimiter="\t")

# split into input (X) and output (Y) variables
X = dataset[:,0:5]
Y = dataset[:,5]

# create model
model = Sequential()
model.add(Dense(5, input_dim=5, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='softmax'))

# Compile model
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

# Fit the model
model.fit(X, Y, epochs=150, batch_size=80)

# evaluate the model
scores = model.evaluate(X, Y)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

我直接遵循了示例代码并更改了示例代码以适合我的数据。 但是，我没有得到我想要的结果。它显示我的准确度为 0。

Epoch 150/150

2880/2880 [==============================] - 0s - loss: 801944.8802 - acc: 0.0000e+00     
  32/2880 [..............................] - ETA: 12s

我的数据中有 5 列输入和 1 个输出（数据数：2880 行），如下所示，

380 17.00017    9.099979    4   744 889.7142
380 17.27766    9.099979    4   744 886.3223
380 17.49084    9.099979    4   744 884.9797
380 17.56913    9.099979    4   744 884.5085
380 17.69351    9.099979    4   744 883.8726
380 17.67508    9.099979    4   744 885.1917
380 17.64061    9.099979    4   744 887.0289
380 17.44456    9.099979    4   744 888.9369
380 17.27089    9.099979    4   744 890.7271
380 16.95173    9.099979    4   744 894.1897
380 16.43643    9.099979    4   744 898.0527
380 16.14516    9.099979    4   744 898.618
380 16.03739    9.099979    4   744 897.4402
380 16.08521    9.099979    4   744 895.0376
380 16.3003     9.099979    4   744 891.528
380 16.69974    9.099979    4   744 886.5107
380 17.14181    9.099979    4   744 882.9069
380 17.43957    9.099979    4   744 881.3522
380 17.61813    9.099979    4   744 880.3629
380 17.85716    9.179981    4   744 880.0096
380 17.91395    9.299984    4   744 881.5642
380 17.74821    9.399986    4   744 884.4379
380 17.39483    9.519989    4   744 889.0076
380 16.86244    9.639992    4   744 894.3074
380 16.18542    9.759995    4   744 898.5709
380 16          9.879997    4   744 898.3824
380 16.12275    9.879997    4   744 895.1318
380 16.47226    9.879997    4   744 890.5858
380 16.87342    9.879997    4   744 886.3694
380 17.22237    9.839996    4   744 883.8726
380 17.408      9.739994    4   744 882.4357

谁能给我一个建议或答案..？

我是否在小批量中做错了，或者我应该设置更多？

请引导我走上正确的道路。

提前致谢。

Answer 1

首先我看到第1列和第4列包含相同的值，所以你可以看看你是否可以获得更多包含相关信息的数据，否则你可以丢弃它。

此URL 正在处理Pimas Indian 数据，这是一个分类问题，您的数据试图预测 800 范围内的数字，因此可能需要不同的方法，在这种情况下是回归预测建模问题.试试下面的模板：

# Vanilla Regression Model
import numpy
import pandas
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
# load dataset
dataframe = pandas.read_csv("file.csv", delim_whitespace=True, header=None)
dataset = dataframe.values
# split into input (X) and output (Y) variables
X = dataset[:,1:4] # Discard first column...
Y = dataset[:,5]
# define base model
def baseline_model():
  # create model
model = Sequential()
model.add(Dense(4, input_dim=4, init='normal', activation='relu')) 
model.add(Dense(1, init='normal'))
# Compile model
model.compile(loss='mean_squared_error', optimizer='adam')
return model
# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)
# evaluate model with standardized dataset
estimator = KerasRegressor(build_fn=baseline_model, nb_epoch=100, batch_size=5, verbose=0)
kfold = KFold(n_splits=10, random_state=seed)
results = cross_val_score(estimator, X, Y, cv=kfold)
print("Baseline: %.2f (%.2f) MSE" % (results.mean(), results.std()))