Keras 模型优化

Question

我正在尝试使用 Google

colab

和

tensorflow

优化我的第一个 AI。

我有以下

dataset

示例：

分类	特点1	特点2
1	-1.1	0.22
1	0.333	-0.4
4	-0.55	0.6

• 类别是从

  1

  到

  4

  的值。该数据集包含每种内容的 50%。
• Features 数组的值是真实主题参数与平均值之间的比率

示例：如果每一行都是学生数据。而

Feature 1

就是考试分数。值

-0.1

表示当前学生的成绩

10% less

高于其他学生（平均）。

特征值可以大于 1（值 1.2 表示 +120%）。

---

我的模型的目标是找到我们应该关心的学生。 所以基本上，我需要最大化 1 类或 2 类的

true

预测结果。而 3 类和 4 类的预测可能不那么准确。

• 更好的是：如果真实类别是

  1

  ，但预测是

  3

  -

  4

• 而不是：真实类别

  3

  -

  4

  被预测为

  1

  或

  2

我有以下型号：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(512, activation='tanh', input_shape=(82, )),
    tf.keras.layers.Dense(64, activation='tanh'),
    tf.keras.layers.Dense(8, activation='relu'),
    tf.keras.layers.Dense(4, activation='softmax')
])

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

model.fit(x=features, y=labels, shuffle=True, validation_split=0.33, epochs=1)

我的问题是：

1. 如何配置指标来计算

   class 1

的积极预测
2. 输出神经元的数量是否应该始终与类数量相同？让+1个神经元在这里积累“噪音”数据来优化类别

   1

   和

   2

   准确度预测是否有意义？

Answer 1

对于问题1：

您可以在训练期间将其添加为指标，并指定

class_id = your_class_of_interest

 tf.keras.metrics.Precision(
    thresholds=None, top_k=None, class_id=None, name=None, dtype=None
)

对于问题2：

神经元的数量始终等于您尝试预测的标签的数量。如果您认为某些数据存在特定的继承噪声，您可以修改数据集，在示例中添加第五个标签并分配这些特定样本。