Keras分類模型

我需要幫助來構建分類的keras模型。我有Keras分類模型

輸入：光譜的167點

輸出11類調查物質。

但是在一個數據集中可以是含有多種物質的物質的幽靈（例如包含2,3,4類）。我試過使用categorical_crossentropy，但它僅適用於非相交類。

注：使用categorical_crossentropy損失的時候，你的目標應該是明確的格式（例如，如果你有10個班，每個樣品的目標應該是10維向量這是所有 - 樣本期望對應於樣本類別的指數爲1）。爲了整數目標轉化爲分類目標，您可以使用Keras實用to_categorical：

我的代碼：

model = Sequential() 
model.add(Dense(64, input_dim=167)) 
model.add(Dense(32)) 
model.add(Dense(11)) 
model.add(Activation('sigmoid')) 
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])

我嘗試過很多車型，但不能得到一個好的結果。

來源

2017-05-24 Mogost

你或許應該sigmoid和binary_crossentropy（See here）

PS順利：這是不是你的情況，但對於categorial_crossentropy，您應使用softmax激活。 softmax輸出經過優化的東西，只能最大化一個類。

（如果有人想用一個好或更好的「優化器」來補充這個答案，請隨意）。

來源

2017-05-24 16:24:03

我試圖使用binary_crossentropy但在每一個配合行動，如果隨機幽靈檢查，我得到的預測[0.23598771 0.24065545 0.20274314 0.20727901 0.21786793 0.20546967 0.24399549 0.23881513 0.22483987 0.24453731 0.2304628]但有效的是[0，0，0，1，0，0，1 ，0,1,1,0]。我無法得到任何真相般的結果。 – Mogost

你期望從「隨機幽靈」中獲得真正的價值嗎？如果在擬合方法中使用'verbose = 1'（或2），則可以看到模型的「損失」正在減小。另外，您可以使用'epochs = someNumber'多次重複訓練。如果損失減少，模型訓練正常，否則會出現問題。我認爲167個數據樣本對於您的模型來說太少了，無法正確地學習。我建議某種數據增強，比如用你知道的不同物質的不同組合來創建複合（而不是隨機）幽靈。 –

對於小數據樣本，您必須牢記一件事：您可以製作模型訓練並正確預測它們，但如果它們太少，您的建模就有機會記住它們而不是理解它們（它被稱爲overfittin ）。如果模型過度擬合，訓練數據看起來很好，但訓練數據中不包含的數據不會有好的結果。 –

回答

相關問題