Python 神经网络模型的超低精度

我遵循了关于使用代码交叉验证进行神经网络模型评估的教程：

# Multiclass Classification with the Iris Flowers Dataset 
import numpy 
import pandas 
from keras.models import Sequential 
from keras.layers import Dense 
from keras.wrappers.scikit_learn import KerasClassifier 
from keras.utils import np_utils 
from sklearn.model_selection import cross_val_score 
from sklearn.model_selection import KFold 
from sklearn.preprocessing import LabelEncoder 
from sklearn.pipeline import Pipeline 
# fix random seed for reproducibility 
seed = 7 
numpy.random.seed(seed) 
# load dataset 
dataframe = pandas.read_csv("/content/drive/My Drive/iris.data", header=None) 
dataset = dataframe.values 
X = dataset[:,0:4].astype(float) 
Y = dataset[:,4] 

# encode class values as integers 
encoder = LabelEncoder() 
encoder.fit(Y) 
encoded_Y = encoder.transform(Y) 

# convert integers to dummy variables (i.e. one hot encoded) 
dummy_y = np_utils.to_categorical(encoded_Y) 

# define baseline model 
def baseline_model():

# create model
  model = Sequential()
  model.add(Dense(4, input_dim=4, activation="relu", kernel_initializer="normal"))
  model.add(Dense(3, activation="sigmoid", kernel_initializer="normal"))

# Compile model
  model.compile(loss= 'categorical_crossentropy' , optimizer= 'adam' , metrics=[ 'accuracy' ])

  return model 
estimator = KerasClassifier(build_fn=baseline_model, nb_epoch=200, batch_size=5, verbose=0) 
kfold = KFold(n_splits=10, shuffle=True, random_state=seed) 
results = cross_val_score(estimator, X, dummy_y, cv=kfold) 
print("Accuracy: %.2f%% (%.2f%%)" % (results.mean()*100, results.std()*100))

准确率应该在

95.33%（4.27%）

左右，但我几次尝试就获得了

~准确率：34.00%（13.15%）

。模型代码似乎完全相同。我按照指示从中下载了数据。会出什么问题？谢谢

更换此：

model.add(Dense(4, input_dim=4, activation="relu", kernel_initializer="normal"))

为此：

model.add(Dense(16, activation="relu"))
model.add(Dense(32, activation="relu"))

然后，将输出层设置为：

model.add(Dense(3, activation="softmax", kernel_initializer="normal"))

你的隐藏层很小，你的激活功能是错误的。对于3+类，它必须是

softmax

完整工作代码：

import numpy
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from keras.utils import np_utils
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold
from sklearn.preprocessing import MinMaxScaler

seed = 7
numpy.random.seed(seed)

from sklearn.datasets import load_iris

X, encoded_Y = load_iris(return_X_y=True)
mms = MinMaxScaler()
X = mms.fit_transform(X)

dummy_y = np_utils.to_categorical(encoded_Y)

def baseline_model():

    model = Sequential()
    model.add(Dense(4, input_dim=4, activation="relu", kernel_initializer="normal"))
    model.add(Dense(8, activation="relu", kernel_initializer="normal"))
    model.add(Dense(3, activation="softmax", kernel_initializer="normal"))

    model.compile(loss= 'categorical_crossentropy' , optimizer='adam', metrics=[
        'accuracy' ])

    return model

estimator = KerasClassifier(build_fn=baseline_model, epochs=200, verbose=0)
kfold = KFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(estimator, X, dummy_y, cv=kfold)
print(results)

---

仅凭机会，你就应该获得33%的准确率

如何改进代码：

使数据正常化

增加该层神经元的数量

将输出的激活功能从

sigmoid

do

softmax

更改

使用分类交叉熵作为输出的损失

将

nb_epoch

（旧Keras）更改为

epoch

这样你将有大约90%的准确率。如果你运行它超过50个时代，你最终会过度拟合你的模型，你甚至可以达到100%的准确率，但模型不会很好地推广

---

请记住，完全连接的层并不总是最佳解决方案。

谢谢您的帮助。它略微提高到36.67%（15.28%），但不幸的是仍然很低。在密集之前试试CNN。@NicolasGervais谢谢。我得到了同样的结果。我不确定的是，10个输出中有2个在60%左右。这是否意味着2/10的试验精度较低，表明模型性能可能不稳定？本教程怎么可能达到

95.33%

？性能有些不稳定，因为它是一个很小的数据集，变量很少。当您进行“折叠”时，您的数据集甚至更小。诚然，我没有玩太多的超参数。我只是想让它发挥作用。您可能希望降低优化器的学习速度，使其不会徘徊在最小值附近。谢谢您的回答。我可以问一下，如果我们使用测试数据来评估准确性会怎样？它还会过胖吗？替换你建议的代码，同时保持其余不变，我得到92%的acc

Out[5]: 
array([0.60000002, 0.93333334, 1.        , 0.66666669, 0.80000001,
       1.        , 1.        , 0.93333334, 0.80000001, 0.86666667])

from sklearn.preprocessing import StandardScaler, MinMaxScaler

scaler = StandardScaler()
X = scaler.fit_transform(X)

# define baseline model 
def baseline_model():

# create model
  model = Sequential()
  model.add(Dense(8, input_dim=4, activation="relu"))
  model.add(Dense(3, activation="softmax"))

# Compile model
  model.compile(loss= 'categorical_crossentropy' , optimizer= 'adam' , metrics=[ 'accuracy' ])

  return model 

estimator = KerasClassifier(build_fn=baseline_model, epochs=50, batch_size=5, verbose=1)