Machine learning 损失与损失；准确度-这些学习曲线是否合理？

我正在学习神经网络，我在Keras中为UCI机器学习库中的虹膜数据集分类构建了一个简单的神经网络。我使用了一个带有8个隐藏节点的单隐藏层网络。Adam optimizer的学习率为0.0005，可运行200个时代。Softmax用于输出，损耗作为对数交叉熵。我得到以下学习曲线

正如你所看到的，精度的学习曲线有很多平坦的区域，我不明白为什么。误差似乎在不断减小，但精度似乎没有以同样的方式增加。准确度学习曲线中的平坦区域意味着什么？为什么即使误差似乎在减小，这些区域的精度却没有增加

这在训练中是正常的还是更可能是我做错了什么

dataframe=pd.read\u csv（“iris.csv”，header=None）
dataset=dataframe.values
X=dataset[：，0:4].aType（浮点）
y=数据集[：，4]
scalar=StandardScaler（）
X=标量拟合变换（X）
label_编码器=LabelEncoder（）
y=标签\编码器。拟合\变换（y）
编码器=OneHotEncoder（）
y=encoder.fit_transform（y.reformate（-1,1））.toarray（）
#创建模型
模型=顺序（）
添加（密集（8，输入尺寸=4，激活=relu'））
model.add（密集型（3，activation='softmax'））
#编译模型
adam=优化器。adam（lr=0.0005，beta_1=0.9，beta_2=0.999，ε=1e-08，衰减=0.0）
model.compile（loss='classifical_crossentropy'，
优化器=亚当，
指标=[‘准确度’]）
#符合模型
log=model.fit（X，y，epochs=200，批量大小=5，验证分割=0.2）
图=plt.图（）
图suptitle（“Adam，lr=0.0006，一个隐藏层”）
ax=图add_子批次（1,2,1）
ax.设置标题（“成本”）
ax.plot（log.history['loss']，label='Training'）
ax.plot（log.history['val_loss']，label='Validation'）
ax.图例（）
ax=图add_子批次（1,2,2）
ax.集合标题（“准确度”）
ax.plot（log.history['acc']，label='Training'）
ax.plot（log.history['val_acc']，label='Validation'）
ax.图例（）
图2（图3）

稍微了解一下损失和准确性的实际含义（和机制）将在这里有很大帮助（也请参考我的，尽管我将重用一些零件）

为了简单起见，我将把讨论限制在二元分类的情况下，但是这个想法是普遍适用的；以下是（逻辑）损失的方程式：

• y[i]

  是真正的标签（0或1）

• p[i]

  是预测（0,1中的实数），通常被解释为概率

• output[i]

  （方程式中未显示）是

  p[i]

  的四舍五入，以便将它们也转换为0或1；正是这个数量进入精度计算，隐含地涉及一个阈值（对于二进制分类，通常为

  0.5

  ），因此如果

  p[i]>0.5

  ，则

  输出[i]=1

  ，否则如果

  p[i]