Python 神经网络输出的两个误差

大家好 我建立了一个神经网络模型来预测柱标签

我将执行以下步骤

df=pd.read_csv('fortest.csv',low_memory=False, error_bad_lines = False)
dataset = df.values
X = dataset[:,1:8]

X.shape
min_max_scaler =MinMaxScaler()
X_scale= min_max_scaler.fit_transform(X)
X_train, X_val_and_test, Y_train, Y_val_and_test = train_test_split(X_scale, Y, test_size=0.3)
X_val, X_test, Y_val, Y_test = train_test_split(X_val_and_test, Y_val_and_test, test_size=0.5)

# then make the neural using functional API

model = keras.Sequential()
model.add(layers.Dense(6, input_dim=6, activation='relu'))
model.add(layers.Dense(3, activation='relu',kernel_regularizer=regularizers.l2(0.01)))
model.add(layers.Dense(3, activation='relu'))
model.add(layers.Dropout(0.1))
model.add(layers.Dense(1, activation='sigmoid', name='class'))
model.compile(loss='categorical_crossentropy',loss_weights={'class':0.5}, optimizer='adam', metrics=['accuracy'])
hist = model.fit(X_train, Y_train, batch_size=3, epochs=100, validation_data=(X_val, Y_val))


plt.plot(hist.history['accuracy'])
plt.plot(hist.history['val_acc'])
plt.title('Model accuracy')
plt.ylabel('Accuracy')
plt.xlabel('Epoch')
plt.legend(['Train', 'Val'], loc='lower right')
plt.show()


plt.plot(hist.history['loss'])
plt.plot(hist.history['val_loss'])
plt.title('Model loss')
plt.ylabel('Loss')
plt.xlabel('Epoch')
plt.legend(['Train', 'Val'], loc='upper right')
plt.show()


model.evaluate(X_test, Y_test)[1]
y_pred = model.predict(X_test)

这个代码有两个问题 首先当我运行这个部分时

 plt.plot(hist.history['accuracy'])
    plt.plot(hist.history['val_acc'])
    plt.title('Model accuracy')
    plt.ylabel('Accuracy')
    plt.xlabel('Epoch')
    plt.legend(['Train', 'Val'], loc='lower right')
    plt.show()

由于它没有识别Val_acc，但它看到Val_loss>为什么会出现这种情况，所以会出现错误

第二，当我试图让Y_pred计算精度、召回率等时 使用以下代码

 y_pred = model.predict(X_test)

它给我y_pred作为一个连续变量，比如（0.093,0.933）而不是（0和1），所以它在计算任何度量时给我错误>>现在任何一个为什么会出现这些错误

---

任何帮助都将不胜感激

1-使用

loss=model.history.history

，在此命令中，通过

loss.keys（）

检查键是否存在val_acc

2-您的最后一层是一个sigmoid函数，sigmoid函数的输出概率介于0和1之间。要使其成为二进制，您可以选择两种方式： -

model.predict\u类（X\u测试）

---

-

predictions=y_pred>threshold

这将为您提供一个可以在度量中使用的真-假向量。阈值是可选的，取决于上下文，但您可以使用.5作为通用阈值。

1-我使用您建议的，但它只是输出dict_keys（[]）2-对于第一个建议操作，它会引发以下错误AttributeError:“Functional”对象对于第二个建议没有属性“predict_classes”，它是有效的，但它能将预测转化为真假