keras sequential (). предикат (x_test) возвращает только 1 столбец для двух классов

1

У меня проблема с keras sequential().predict(x_test).

Btw получает тот же результат, используя sequential().predict_proba(x_test) поскольку я обнаружил, что эти два безразличны в последовательном порядке.

Мои данные имеют два класса: 0 или 1, я полагаю, что predict(x_test) должно давать два столбца, где первый столбец является проблемой для получения 0, а второй - проблемой получения 1. Однако у меня есть только один столбец с этим.

    In [85]:y_train.value_counts()
    Out[85]: 
    0    616751
    1     11140
    Name: _merge, dtype: int64

Не должно быть никаких проблем с моими данными, поскольку я использовал один и тот же x_train, y_train, x_test, y_test для модели LogisticRegression и нейронной сети, он отлично работает в LogisticRegression.

In [87]:y_pred_LR
Out[87]: 
array([[  9.96117151e-01,   3.88284921e-03],
       [  9.99767583e-01,   2.32417329e-04],
       [  9.87375774e-01,   1.26242258e-02],
       ..., 
       [  9.72159138e-01,   2.78408623e-02],
       [  9.97232916e-01,   2.76708432e-03],
       [  9.98146985e-01,   1.85301489e-03]])

но я получаю только 1 столбец в модели нейронной сети.

Итак, я думаю, что есть некоторые проблемы с настройкой модели NN? Вот мои коды

NN = Sequential()
NN.add(Dense(40, input_dim = 65, kernel_initializer = 'uniform', activation = 'relu'))
NN.add(Dense(20, kernel_initializer = 'uniform', activation = 'relu'))
NN.add(Dense(1, kernel_initializer = 'uniform', activation = 'sigmoid'))
NN.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

NN.fit(x_train, y_train, batch_size = 50, epochs=5)
y_pred_NN = NN.predict(x_test)
print(y_pred_NN)

    In [86]: print(y_pred_NN)
    [[ 0.00157279]
     [ 0.0010451 ]
     [ 0.03178826]
     ..., 
     [ 0.01030775]
     [ 0.00584918]
     [ 0.00186538]]

На самом деле это похоже на попытку получить 1? Любая помощь приветствуется!

Кстати, формы моих предсказаний в обеих моделях выглядят следующим образом

In [91]:y_pred_LR.shape
Out[91]: (300000, 2)

In [90]:y_pred_NN.shape
Out[90]: (300000, 1)
Теги:
keras
neural-network

2 ответа

1
Лучший ответ

Если вы хотите вывести две вероятности, вам придется заменить y_train на to_categorical(y_train) а затем настроить сеть следующим образом:

from keras.utils import to_categorical

NN = Sequential()
NN.add(Dense(40, input_dim = 65, kernel_initializer = 'uniform', activation = 'relu'))
NN.add(Dense(20, kernel_initializer = 'uniform', activation = 'relu'))
NN.add(Dense(2, activation='sigmoid'))
NN.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

NN.fit(x_train, to_categorical(y_train), batch_size = 50, epochs=5)

Проконсультируйтесь здесь: https://keras.io/utils/#to_categorical

Поделиться
  • 0
    Извините, у меня была линия, но забыл в посте .....
  • 0
    Если это так, какова форма y_pred_NN и y_train?
Показать ещё 3 комментария
1

Последняя строка вашей модели определяет выходной уровень.

NN.add(Dense(1, kernel_initializer = 'uniform', activation = 'sigmoid'))

В вашей последней строке есть один узел с сигмовидной активацией. Это означает, что ваш вывод будет одним номером (для каждого образца ввода) между 0 и 1, который, я считаю, можно интерпретировать как P (y = 1) в соответствии с логистической регрессией.

С более чем двумя классами вы должны иметь n_classes в выходном слое:

NN.add(Dense(n_classes, kernel_initializer = 'uniform', activation = 'softmax'))

Мягкий макс гарантирует, что вероятности суммируются до единицы. Конечно, чтобы сделать это, вам придется разогревать кодировку ваших значений обучения.

В вашем случае вы можете выбрать любой из них. Я предпочитаю второй, так как он позволяет вам добавлять новые классы в будущем.

Поделиться
  • 0
    Так что в основном это просто prob (y = 1) здесь, и если я хочу знать p (y = 0), это будет 1 минус столбец, который я получу ... спасибо! :)

Ещё вопросы

Сообщество Overcoder
Наверх
Меню