准确度始终为零

Question

我想用八个特征来预测一个目标特征，当我使用keras时，我得到的准确度一直是零。我是机器学习的新手，我很困惑

我尝试了不同的激活，我认为这可能是一个回归问题，所以我使用'线性'作为最后的激活函数，结果表明，精度仍然是零

from sklearn import preprocessing
from keras.models import Sequential
from keras.layers import Dense
from sklearn.model_selection import train_test_split
import pandas as pd


# Step 2 - Load our data
zeolite_13X_error = pd.read_csv("zeolite_13X_error.csv", delimiter=",")
dataset = zeolite_13X_error.values
X = dataset[:, 0:8]
Y = dataset[:, 10]  # Purity
min_max_scaler = preprocessing.MinMaxScaler()
X_scale = min_max_scaler.fit_transform(X)
X_train, X_val_and_test, Y_train, Y_val_and_test = train_test_split(X_scale, Y, test_size=0.3)
X_val, X_text, Y_val, Y_test = train_test_split(X_val_and_test, Y_val_and_test, test_size=0.5)

# Building and training first NN
model = Sequential([
    Dense(32, activation='relu', input_shape=(8,)),
    Dense(32, activation='relu'),
    Dense(1, activation='linear'),
])
model.compile(optimizer='sgd',
              loss='binary_crossentropy',
              metrics=['accuracy'])
hist = model.fit(X_train, Y_train,
                 batch_size=32, epochs=10,
                 validation_data=(X_val, Y_val))

Answer 1

检查模型的输出以检查值。该模型是预测概率，而不是二进制0/1决策，我相信这是你的情况，因为你是使用精度作为衡量标准。如果模型预测概率，则根据阈值将其四舍五入，将其转换为0或1（由您选择，即如果预测>；0.5然后1或者0）

同时增加历代的数量。在输出层中也使用sigmoid激活

Answer 2

如果您决定将此视为一个回归问题，那么

1. 你的损失应该是mean_squared_error，或者其他一些适合回归的损失，但不是binary_crossentropy，这只适合二元分类，并且
2. 准确度是无意义的-它只对分类设置有意义；在回归设置中，我们通常使用损失本身进行性能评估—有关更多信息，请参见What function defines accuracy in Keras when the loss is mean squared error (MSE)?中自己的答案

如果您决定将此作为一个分类问题来处理，您应该将最后一层的激活更改为sigmoid

在任何情况下，您在这里显示的组合-loss='binary_crossentropy'和activation='linear'对于单节点最后一层-是没有意义的