python - 如何研究每个数据对深度神经网络模型的影响？

Question

我正在使用 Python 和 Keras 库训练神经网络模型。

我的模型测试准确率非常低 (60.0%)，我尝试了很多方法来提高它，但我做不到。我正在使用 DEAP 数据集(总共 32 名参与者)来训练模型。我使用的 split 技术是固定的。如下:训练28人，验证2人，测试2人。

我使用的模型如下。

• 顺序模型
• 优化器 = Adam
• 使用 L2_regularizer、高斯噪声、dropout 和 Batch normalization
• 隐藏层数 = 3
• 激活 = relu
• 编译损失 = categorical_crossentropy
• 初始化器= he_normal

现在，我正在使用训练测试技术(也是固定的)来拆分数据，我得到了更好的结果。然而，我发现一些参与者以负面的方式影响了训练的准确性。因此，我想知道是否有办法研究每个数据(参与者)对模型准确性(性能)的影响？

最好的问候，

Answer 1

来 self 的 Starting deep learning hands-on: image classification on CIFAR-10教程，其中我坚持跟踪两者:

• 全局指标(对数损失、准确性)，
• 示例(正确和错误地对案例进行分类)。

后者可能会帮助我们判断哪些模式存在问题，并且在很多情况下帮助我更改网络(或补充训练数据，如果是的话)。

以及它是如何工作的示例(此处使用 Neptune ，但您可以在 Jupyter Notebook 中手动完成，或使用 TensorBoard 图像 channel ):

然后查看特定示例以及预测概率:

完全免责声明:我与 deepsense.ai、创作者或 Neptune - Machine Learning Lab 合作.