Keras分类模型

我需要帮助来构建分类的keras模型。我有Keras分类模型

输入：光谱的167点

输出11类调查物质。

但是在一个数据集中可以是含有多种物质的物质的幽灵（例如包含2,3,4类）。我试过使用categorical_crossentropy，但它仅适用于非相交类。

注：使用categorical_crossentropy损失的时候，你的目标应该是明确的格式（例如，如果你有10个班，每个样品的目标应该是10维向量这是所有 - 样本期望对应于样本类别的指数为1）。为了整数目标转化为分类目标，您可以使用Keras实用to_categorical：

我的代码：

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'])

我尝试过很多车型，但不能得到一个好的结果。

来源

2017-05-24 Mogost

你或许应该sigmoid和binary_crossentropy（See here）

PS顺利：这是不是你的情况，但对于categorial_crossentropy，您应使用softmax激活。 softmax输出经过优化的东西，只能最大化一个类。

（如果有人想用一个好或更好的“优化器”来补充这个答案，请随意）。

来源

2017-05-24 16:24:03

我试图使用binary_crossentropy但在每一个配合行动，如果随机幽灵检查，我得到的预测[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]。我无法得到任何真相般的结果。 – Mogost

你期望从“随机幽灵”中获得真正的价值吗？如果在拟合方法中使用'verbose = 1'（或2），则可以看到模型的“损失”正在减小。另外，您可以使用'epochs = someNumber'多次重复训练。如果损失减少，模型训练正常，否则会出现问题。我认为167个数据样本对于您的模型来说太少了，无法正确地学习。我建议某种数据增强，比如用你知道的不同物质的不同组合来创建复合（而不是随机）幽灵。 –

对于小数据样本，您必须牢记一件事：您可以制作模型训练并正确预测它们，但如果它们太少，您的建模就有机会记住它们而不是理解它们（它被称为overfittin ）。如果模型过度拟合，训练数据看起来很好，但训练数据中不包含的数据不会有好的结果。 –

Keras分类模型

回答

相关问题