具有 3 个输出的 Keras 回归模型仅给出一个准确的结果

Question

我正在尝试运行一个神经网络，在 python 中使用 keras，它有 2 个输入值和 3 个输出值。输入表示自然频率，而输出表示等效冰载荷。问题是在模型完成训练后，它似乎只被训练用于预测一个输入，而不是所有三个输入。该模型是回归而不是分类。在这里我展示我的代码

seed = 9

np.random.seed(seed)

# import dataset

dataset=np.loadtxt("Final_test_matrix_new_3_digits.csv", delimiter=",")

# Define dataset

Y=dataset[:, 0:3]

X=dataset[:, 3:5]

#Categorize data

from sklearn.model_selection import train_test_split

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.3, 

random_state = seed)

# create model

model = Sequential()

model.add(Dense(12, input_dim=2,activation='relu'))

model.add(Dense(8, init='uniform', activation='relu'))

model.add(Dense(8, init='uniform', activation='relu'))

model.add(Dense(3, init='uniform', activation='relu'))

# compile the model

model.compile(loss='mean_squared_logarithmic_error', optimizer='adam', 

metrics=['accuracy'])

# checkpoint

filepath="weights.best_12_8_8_neurons.hdf5"

checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1, 

save_best_only=True, mode='max')

callbacks_list = [checkpoint]

# fit the model

history=model.fit(X_train, Y_train, validation_split=0.1, epochs=100000, 

batch_size=10,callbacks=callbacks_list)

# evaluate the model

scores = model.evaluate(X_test, Y_test)

print ("Accuracy: %.2f%%" %(scores[1]*100))

根据python，该模型的准确度为65%，但这一事实并没有影响输出的准确度，因为第二个输出的准确度低于第一个，而第三个输出的准确度几乎为0。代码的主要目标是创建一个回归模型，其中所有输出都具有相同的精度。下面分别显示了模型精度、模型损失和每个输出的预测：

Answer 1

看起来随机森林更适合您的情况。您应该尝试一下，特别是如果您的课程不平衡。作为一种解决方法，您可以增加Dense(8)图层中的节点数，具体取决于数据的差异。然后，您必须检查少数类并调整以下代码（合成少数类过采样技术）：from imblearn.over_sampling import SMOTEsm = SMOTE()x_train2, y_train2 = sm.fit_sample(X_train, Y_train)请注意，此代码仅适用于二进制输出，因此您应该对 3 个类进行单热编码，并将其应用于 0 类和 1 类，然后是 0 类和 2 类，从零类中删除双倍过采样。然后你运行你的神经网络模型，增加到validation_split0.2。