Machine learning 精度提高，但在许多时代保持不变

我的模型准确率迅速提高到94.3%，但在余下的时间里一直保持不变。 以下是我的模型和代码：

model = Sequential()
model.add(Conv2D(5, (3,3),  strides=(2,2), kernel_initializer='normal', activation='sigmoid', input_shape=(dim, dim, 3)))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))
model.add(Conv2D(5, (3,3),  strides=(2,2), activation='sigmoid'))
model.add(MaxPooling2D(pool_size=(2, 2), strides=(2,2)))

# Create the feature vector
model.add(Flatten())
model.add(Dense(12288, activation='sigmoid'))
model.add(Dropout(0.2))
model.add(Dense(1536, activation='sigmoid'))
model.add(Dropout(0.3))
model.add(Dense(384, activation='sigmoid'))
model.add(Dropout(0.4))
model.add(Dense(1, activation='sigmoid'))

sgd = SGD(lr=0.001, momentum=0.9)
model.compile(loss="binary_crossentropy", optimizer="sgd", metrics=["accuracy"])
model.fit(data, labels, epochs=20, batch_size=100, callbacks=callbacks_list, verbose=1)
CNN_output = model.predict(data)

培训结果如下所示：

检查CNN的输出（根据预测），我得到以下结果（注意，这只是一个示例）：

---

您的数据集非常不平衡/倾斜。您有94%的标签0和6%的标签1。神经网络只是了解到，如果它对所有事情都预测0，那么它的性能会非常好

要避免这种情况，您可以将数据集更改为标签1的50%和标签0的50%，或者可以使用fit函数的“class_weight”参数：

class_weight：将类映射到权重值的字典，用于缩放损失函数（仅在培训期间）

在你的情况下，我会使用

fit(..., class_weight = {0:1, 1:15.5})

因为类0中的样本数是1的15.5倍。这里的数字只是说，当你错分为0时，你的损失乘以1，当你错分为1时，损失乘以15.5。。。更多信息

另外，在您的案例中，我不会使用准确度指标来真正评估结果，但可以看到f1分数指标，它更适合此类数据集

---

我希望这能有所帮助？

我并没有过多地关注准确度分数，我查看了文件中的输出，然后计算了你提到的f_分数。我添加了类的权重，但检查了输出后，我可以看到，对于任何输入，预测几乎保持不变。有什么建议吗？正如我告诉你的，每个样本的训练数据标签几乎都是不变的。。。模型了解到这一点是很正常的：-）好的，我现在对它有了更好的理解，我只是在输出中添加了一个阈值来对最终预测进行上下取整，到目前为止，它似乎工作得很好。非常感谢你！

fit(..., class_weight = {0:1, 1:15.5})