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 = 9np.random.seed(seed)# import datasetdataset=np.loadtxt("Final_test_matrix_new_3_digits.csv", delimiter=",")# Define datasetY=dataset[:, 0:3]X=dataset[:, 3:5]#Categorize datafrom sklearn.model_selection import train_test_splitX_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.3, random_state = seed)# create modelmodel = 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 modelmodel.compile(loss='mean_squared_logarithmic_error', optimizer='adam', metrics=['accuracy'])# checkpointfilepath="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 modelhistory=model.fit(X_train, Y_train, validation_split=0.1, epochs=100000, batch_size=10,callbacks=callbacks_list)# evaluate the modelscores = 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 SMOTE

sm = 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。