Keras 凯拉斯：为什么训练时准确度不变

我尝试在Keras中运行该文件，但不支持模型学习。这是我的密码：

#-*-编码：utf-8-*-
进口干酪
从keras.models导入顺序
从keras.layers导入稠密
从keras.optimizers导入新加坡元
作为pd进口熊猫
将numpy作为np导入
#从CSV文件读取，将分类值转换为一个热编码，并将结果转换为numpy数组
df=pd.read\u csv（“chorn\u modeling.csv”）
X=pd.get_dummies（df，columns=['Geography'，'Gender']）
X=X[[‘信用评分’、‘年龄’、‘任期’、‘余额’、‘NumOfProducts’、‘HasCrCard’、‘IsActiveMember’、‘EstimatedSalary’、‘法国地理’、‘德国地理’、‘西班牙地理’、‘性别女性’、‘性别男性’、‘退出’]
数据集=X.作为矩阵（）
X_train=数据集[：，0:13]
Y_train=数据集[：，13]
模型=顺序（）
添加（密集（26，输入尺寸=13，激活=relu'））
#model.add（密集（15，activation='relu'））
model.add（密集型（1，激活='sigmoid'））
新加坡元=新加坡元（lr=0.02）
compile（loss='binary\u crossentropy'，optimizer=sgd，metrics=['accurity']）
模型拟合（X序列、Y序列、验证分割=0.05、历次=10、批量=200）

这是我得到的输出： 培训9500个样本，验证500个样本

1/10纪元
9500/9500[============================================================-0s-损耗：3.7996-附件：0.7637-损耗：2.8045-损耗：0.8260
纪元2/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260
纪元3/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260
纪元4/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260
纪元5/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260
纪元6/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260
纪元7/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260
纪元8/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260
纪元9/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260
纪元10/10
9500/9500[============================================================]0s-损耗：3.3085-附件：0.7947-损耗：2.8045-损耗：0.8260

---

即使我用100个纪元运行程序，我仍然得到相同的结果val_acc:0.8260。谢谢你

如果重新调整训练集的比例，准确率会略微提高86%。我使用了以下代码：

from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(0, 1))
rescaledX_train = scaler.fit_transform(X_train)

---

如果减少批量大小会发生什么？也许会降到24岁，谢谢。我将批量大小更改为24，并删除一个性别列和类似此模型的softmax激活函数。但是输出的准确性和损失没有改变。你能尝试使用

categorical\u crossentropy

而不是

binary\u crossentropy

（因为你已经使用了一个热向量）吗？如果你想进行二元分类，你可以将输出

y

保持为categorical（0或1），带

二元交叉熵的sigmoid将很好地工作。因此，请理解：您有一个小数据集（10000条记录），用一个小的神经网络建模，您在二元分类中的验证精度达到了约83%。。。你抱怨模型“没有学习”？？？