Tensorflow всегда предсказывает 0

Я пытаюсь обучить NN для двоичной классификации, но использую многоклассовый подход, поэтому класс (C) = 2. Точность как для обучающих, так и для тестовых наборов данных составляет ~ 96%. Однако ручная проверка показывает, что Tensorflow всегда выбирает 0 для каждого примера.

Мне интересно узнать, как решить эту проблему и что я делаю неправильно. Очень ценю вашу помощь. Спасибо.

(Пожалуйста, дайте мне знать, если я слишком расплывчата и не предоставляю достаточно информации, чтобы вы могли точно определить хорошее решение. Спасибо.)

machine-learning tensorflow

12.10.2017

Пожалуйста, посмотрите на MCVE и соответствующим образом отредактируйте свой вопрос. 12.10.2017
Нам, вероятно, понадобится код MCVE (см. комментарий выше), чтобы помочь вам должным образом. Просто проверьте тривиальный ответ: ваш класс 0 представляет 96% ваших данных? В этом случае проблем нет, он просто научился все время предсказывать 0, что дает 96% хороших ответов. В противном случае нам понадобится некоторый код и немного знаний о данных. 12.10.2017

Ответы:

Если у вас точность 96% и все прогнозы равны 0, то ваш набор данных, вероятно, несбалансирован. Вы должны сбалансировать его и сделать количество выборок из положительных и отрицательных классов одинаковым. Вы также можете добавить весовые коэффициенты для класса, накладывая больший штраф на класс с меньшим количеством образцов.

12.10.2017

Этот ответ и ответ @gdelab верны. Я взглянул на набор данных, и действительно, это то, что вы двое предложили. Любые предложения о том, как решить эту проблему? (К сожалению, у меня недостаточно репутации, чтобы голосовать за ваши ответы) 12.10.2017

Для нейронных сетей нет простого обходного пути, вы можете добавить веса в свою модель или исправить набор данных. Мое решение будет заключаться в повторной выборке набора данных, вы можете занижать выборку преобладающего класса, чтобы у вас было 50/50 каждого класса, или вы можете передискретизировать класс меньшинства. Для этого есть библиотека на python с несколькими решениями: github.com/scikit-learn-contrib / несбалансированное обучение 13.10.2017

Новые материалы

Как создать диаграмму градиентной кисти с помощью D3.js

Резюме: Из этого туториала Вы узнаете, как добавить градиентную кисть к диаграмме с областями в D3.js. Мы добавим градиент к значениям SVG и применим градиент в качестве заливки к диаграмме с..

Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…

Просто начните и учитесь самостоятельно Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..

Лицензии с открытым исходным кодом: руководство для разработчиков и создателей

В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..

Объяснение документов 02: BERT

BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?

Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)

Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]

Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Метки

Machine Learning JavaScript Data Science Artificial Intelligence Software Development Python Web Development Coding Deep Learning AI React Software Engineering Nodejs Java Front End Development Typescript Computer Science Data Algorithms Development NLP Tech Programming Languages CSS ChatGPT HTML Python Programming Javascript Tips Angular Computer Vision Startup Data Visualization Neural Networks Tutorial Statistics Productivity Reactjs Learning