Neural network Tensorflow DNNClasifier的丢失率很低，但准确率很差

我正在使用0.10rc0 Tensorflow的contrib.learn.DNNClassifier学习一个二进制分类问题。损失从最初的数千下降到0.7左右，但准确率和准确率徘徊在50%左右，召回率下降到0.0001。使用另一个优化器，损失降至70%左右，准确率/精确度徘徊在50%左右，召回率在20%左右

问题：在准确性/精确性/召回率仍然很糟糕的情况下，损失怎么可能下降

我可以理解损失函数是否不好，但我使用的是TF的DNNClassifier，因此他们指定了损失函数。我想他们知道他们在那个部门做什么。以下是一些可能相关的其他事实：

• 培训数据大小为130万，验证数据大小为30万，每条记录有150个特征
• 批量为50000
• 验证集目标列的平均值为0.517，因此数据在类的正（1）和负（0）样本之间非常均匀地分割
• 培训和验证数据的损失都在0.7左右，因此我认为这不是过度拟合问题，因为它们是相同的（如果该假设无效，请更正我）

以下是最新的验证步骤输出：

INFO:tensorflow:Validation (step 9280): labels/actual_target_mean = 0.517459, labels/prediction_mean = 0.498576, recall/positive_threshold_0.500000_mean = 0.000114476, recall = 0.000114476, auc = 0.499985, precision/positive_threshold_0.500000_mean = 0.487179, precision = 0.487179, loss = 0.721832, accuracy/threshold_0.500000_mean = 0.482538, global_step = 9280, accuracy/baseline_target_mean = 0.517459, accuracy = 0.482538

---

我错过了什么？

0.7损失并不低，你是否尝试过多个时期的训练，看看损失是否会减少？也许误解是我的问题。我想，既然它从几千降到了0.7，那就太远了。但是，如果0.7的损失不是那么好，我想我的问题仍然是，为什么损失可能会大幅下降，但准确性/精确性/召回率仍然很糟糕？另一个优化有70次丢失，准确度/精密度相似，召回率也更好。这真的是我最大的困惑。解释特定的损耗值取决于使用哪个损耗函数，您使用哪个损耗函数？你也没有回答我关于进一步训练的问题。据我所知，我正在使用TF的DNNClassifier，它使用他们为它设置的任何损失函数。我已经检查了init和fit方法参数，没有看到设置损失函数的地方。至于进一步的培训，很抱歉没有回答这个问题——这些价值观似乎是稳定的。在这两种情况下，高原至少有500-1000个纪元长。