python - Keras 预测一个数字，如果在一个范围内则通过

Question

我的纪元和运行的准确性有问题。准确性无处不在，这与我想估计一个数字这一事实有关。如果估计量为 +/- 2% 或其他值，我希望测试通过。

代码:

seed = 7
basepath = '.'

# find the right path for batch ai vs local
outpath = os.path.join (basepath, "out")
if not os.path.exists(outpath):
    os.makedirs(outpath)

# Importing the dataset
dataset = pd.read_csv(os.path.join (basepath, 'data.csv'))

# fix random seed for reproducibility
np.random.seed(seed)

#Encode columns using label encoding 
#use a new label encoder everytime is important!
vixpercentencoder = LabelEncoder()
dataset['VIX Open Percent'] = responsetimeencoder.fit_transform(dataset['VIX Open Percent'])

fiftydayaverageencoder = LabelEncoder()
dataset['50 day average'] = suppliesgroupencoder.fit_transform(dataset['50 day average'])

twohundreddayaverageencoder = LabelEncoder()
dataset['200 day average'] = suppliessubgroupencoder.fit_transform(dataset['200 day average'])

openingencoder = LabelEncoder()
dataset['opening'] = regionencoder.fit_transform(dataset['opening'])

#routetomarketencoder = LabelEncoder()
#dataset['Route To Market'] = routetomarketencoder.fit_transform(dataset['Route To Market'])

#What are the correlations between columns and target
correlations = dataset.corr()['closing'].sort_values()

#Throw out unneeded columns 
dataset = dataset.drop('Date', axis=1)
dataset = dataset.drop('VIX Open', axis=1)
dataset = dataset.drop('VIX Close', axis=1)
dataset = dataset.drop('Ticker', axis=1)
#dataset = dataset.drop('VIX Open Percent', axis=1)

#One Hot Encode columns that are more than binary
# avoid the dummy variable trap
#dataset = pd.concat([pd.get_dummies(dataset['Route To Market'], prefix='Route To Market', drop_first=True),dataset], axis=1)
#dataset = dataset.drop('Route To Market', axis=1)

#Create the input data set (X) and the outcome (y)
X = dataset.drop('closing', axis=1).iloc[:, 0:dataset.shape[1] - 1].values
y = dataset.iloc[:, dataset.columns.get_loc('closing')].values

# Feature Scaling
sc = StandardScaler()
X = sc.fit_transform(X)

# Initilzing the ANN
model = Sequential()

#Adding the input layer
model.add(Dense(units = 8, activation = 'relu', input_dim=X.shape[1], name= 'Input_Layer'))

#Add hidden layer
model.add(Dense(units = 8, activation = 'relu', name= 'Hidden_Layer_1'))

#Add the output layer
model.add(Dense(units = 1, activation = 'sigmoid', name= 'Output_Layer'))

# compiling the ANN
model.compile(optimizer= 'nadam', loss = 'binary_crossentropy', metrics=['accuracy'])

# summary to console
print (model.summary())

#Fit the ANN to the training set
history = model.fit(X, y, validation_split = .20, batch_size = 64, epochs = 25)

# summarize history for accuracy
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

# summarize history for loss
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'test'], loc='upper left')
plt.show()

Answer 1

您似乎在尝试预测连续值(即回归问题)而不是离散值(即分类问题)。因此，我建议如下:

1. 使用 sigmoid 作为最后一层的激活函数在这里是不合适的，除非目标值严格在 [0,1] 范围内。相反，如果值是无界的，则不要对最后一层使用任何激活(即 linear 激活)。

2. 使用适当的回归损失函数，例如均方误差，即 'mse'。

3. 使用 'accuracy' 作为度量在回归任务中没有意义(即它仅用于分类问题)。相反，如果您想要一个指标来监控训练，请使用另一个指标，例如平均绝对误差，即 'mae'。

正确设置模型需要遵循上述内容。然后，开始试验和调整模型的循环。您可以尝试不同的层、不同数量的层或层中的单元、添加正则化等，直到找到性能良好的模型。当然，您可能还需要有一个验证集，以便您可以比较不同配置在一组固定的未见样本上的性能。

最后一点，不要指望这里的任何人都能为您提供完整的“致胜解决方案”。你需要自己用你拥有的数据进行实验，因为在机器学习中，为某些特定数据和特定任务设计合适的模型是艺术、科学和经验的结合。最后，其他人能给你的只是一些指点或想法(当然，除了提到你的错误)。