Neural network TensorFlow：二进制分类精度

在二元分类的背景下，我使用了一个带有1个隐藏层的神经网络，使用了tanh激活函数。输入来自word2vect模型，并已标准化

分类器的准确率在49%-54%之间

我使用了一个混乱矩阵来更好地理解正在发生的事情。研究了输入层特征数和隐层神经元数对精度的影响

从混淆矩阵中我可以观察到，模型根据参数进行预测，有时大多数线条为正，有时大多数线条为负

有没有关于为什么会发生这种情况的建议？除了输入大小和隐藏层大小之外，还有哪些点可能影响分类的准确性

---

谢谢

鉴于您提供的信息，有点难以猜测。 标签是否平衡了50%正面和50%负面？因此，这意味着你的人际网络根本没有训练，因为你的表现大致相当于随机表现。预处理过程中可能有错误吗？还是任务太难？训练集的大小是多少

我不认为神经元的数量是个问题，只要它是合理的，即数百或几千

或者，您可以尝试另一种损失函数，即交叉熵，它是多类分类的标准，也可用于二元分类：

---

希望这能有所帮助。

数据集很好地平衡，50%是正的，50%是负的

训练集形状为411426，X

训练集形状为68572，X

X是来自word2vec的功能的编号，我尝试使用[100300]之间的值

我有一个隐藏层，我测试的神经元数量在[100300]之间变化

我还测试了许多更小的特征/神经元大小：2-20个特征和隐藏层上的10个神经元。

---

我还使用交叉熵作为成本函数。

不要添加答案；这不是一个对话。编辑你原来的问题。这比掷硬币好不了多少。你应该把神经网络放在一边，在做其他事情之前更好地理解你的数据。我还建议尝试逻辑回归。数据集很平衡，50%为正和负。训练集形状是411426，X训练集形状是68572，X X是来自word2vec的特征数，我尝试使用[100300]之间的值，我有一个隐藏层，我测试的神经元数在[100300]之间变化我还测试了许多更小的特征/神经元大小：2-20个特征和隐藏层上的10个神经元。我还使用交叉熵作为成本函数。我坚信标签或其他地方存在一些错误。假设您使用word2vec作为输入，那么您已经有了一个很好的表示。因此，我建议尝试使用线性模型SVM，如果任务可行，它肯定会提供比随机模型更好的性能。为此，了解任务是什么会有所帮助？希望一个深网能够解决这个问题是现实的吗？为了看看问题是来自我的神经网络实现还是输入数据，我使用了tf idf表示和to_稠密函数。TF-IDF的结果和参数的微小变化是78%的准确率。所以问题是因为我使用word2vec作为数据输入。用word2vec生成的模型似乎运行良好：model\u train.most\u similarpositive='tv'：[“电影”，0.8289981484413147，“丘陵”，0.7655214071273804，“足球”，0.7631111054484009，“mtv”，0.7516076564788818，“剧集”，0.7510683536529541，“暮光之城”，0.7488611340522766，“电影”，0.7444069981575012，“引用”，0.7419215440750122，“dvd”，0.7418527603149414，…]那么问题可能来自数据的差异？我如何检查这一点？