Algorithm Rapidminer'；s多层感知器奇怪的结果

我有一个1000个例子的数据集，500个是正面的，500个是负面的。我用0.7的分割率验证它们，然后用默认参数将它们放在RapidAdminers MP上，除了有两层25个节点

然而，当我验证它时，我所有的预测都是否定的，我不知道为什么？即使是糟糕的优化MP（就像在这个例子中），我至少应该得到一个积极的预测

嗯，这是我第一次在rapidminer上这样做，可能这是一个非常基本的错误，但我找不到它

XML代码：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<process version="5.3.008">
  <context>
    <input/>
    <output/>
    <macros/>
  </context>
  <operator activated="true" class="process" compatibility="5.3.008" expanded="true" name="Process">
    <process expanded="true">
      <operator activated="true" class="split_validation" compatibility="5.3.008" expanded="true" height="112" name="Validation (6)" width="90" x="112" y="255">
        <process expanded="true">
          <operator activated="true" class="neural_net" compatibility="5.3.008" expanded="true" height="76" name="Neural Net" width="90" x="69" y="30">
            <list key="hidden_layers">
              <parameter key="Layer" value="25"/>
              <parameter key="Layer2" value="25"/>
            </list>
            <parameter key="training_cycles" value="100"/>
            <parameter key="shuffle" value="false"/>
          </operator>
          <connect from_port="training" to_op="Neural Net" to_port="training set"/>
          <connect from_op="Neural Net" from_port="model" to_port="model"/>
          <portSpacing port="source_training" spacing="0"/>
          <portSpacing port="sink_model" spacing="0"/>
          <portSpacing port="sink_through 1" spacing="0"/>
        </process>
        <process expanded="true">
          <operator activated="true" class="apply_model" compatibility="5.3.008" expanded="true" height="76" name="Apply Model (6)" width="90" x="45" y="30">
            <list key="application_parameters"/>
          </operator>
          <operator activated="true" class="performance" compatibility="5.3.008" expanded="true" height="76" name="Performance (6)" width="90" x="147" y="30"/>
          <connect from_port="model" to_op="Apply Model (6)" to_port="model"/>
          <connect from_port="test set" to_op="Apply Model (6)" to_port="unlabelled data"/>
          <connect from_op="Apply Model (6)" from_port="labelled data" to_op="Performance (6)" to_port="labelled data"/>
          <connect from_op="Performance (6)" from_port="performance" to_port="averagable 1"/>
          <portSpacing port="source_model" spacing="0"/>
          <portSpacing port="source_test set" spacing="0"/>
          <portSpacing port="source_through 1" spacing="0"/>
          <portSpacing port="sink_averagable 1" spacing="0"/>
          <portSpacing port="sink_averagable 2" spacing="0"/>
        </process>
      </operator>
      <portSpacing port="source_input 1" spacing="0"/>
      <portSpacing port="sink_result 1" spacing="0"/>
    </process>
  </operator>
</process>

---

到目前为止，您的流程看起来相当不错。有趣的是：你的数据会发生什么变化？要研究这一点，您可以设置一些断点并检查示例。NN学习者之前的断点集将向您显示训练集的外观，模型应用程序之前的另一个断点集允许您检查测试集。

---

为确保正确的类别分布，您可以为验证运算符启用分层抽样。NN学习者的洗牌选项允许操作员在训练模型之前洗牌训练集。如果您的数据项已经排序，可能导致模型不正确，则此功能非常有用。

您是如何分割数据的？正如您提到的，您使用了split ratio.7，因此训练集应该同时具有正实例和负实例（从验证来看，它似乎是非常好的分割）。它们的顺序可能会影响MP学习吗？对不起，请您详细说明一下“我是如何分割数据的”，因为正如我和您提到的，我进行了0.7的分割。顺序是什么意思？顺序是如何插入的？如果是这样的话，我使用了随机采样选项。看起来您没有使用随机采样（

），尽管您使用的版本中可能存在错误。我尝试了使用具有shuffle、1000迭代、.05动量和误差ε5e-6的Ripley数据集，并使用RapidMiner 5.3.15对这两个类进行了预测。你可以用更新版本的RM检查你的数据。嗯，我的意思是验证部分的随机采样，在NN本身我没有使用它，我忘记了那是一个参数。