如何为布尔结果构建机器学习模型？答案

【问题标题】：How to construct a machine learning model for a boolean result?如何为布尔结果构建机器学习模型？
【发布时间】：2021-08-03 16:23:29
【问题描述】：

我对 Python 和机器学习相当陌生。我试图为以下问题提出一些模型：我有一堆 x-y 关系形式的数据，用于描述正面和相同类型的数据来描述负面。

由于数据不统一，有时我有 2000 行描述阳性，有时只有 200 行，我尝试将其绘制在图表中，并通过一些 Conv2D-、MaxPooling-、Flatten- 和 Dense- 层运行它们。

现在效果很好，准确度指标在 95% 和 100% 之间，但我的问题是该模型如何重新调整浮点数而不是真假，我无法真正辨别我的模型的真实准确度有多高.我该如何从那里着手？

另外，我可以使用哪些超参数来获得布尔返回？什么类型的模型适合这个问题？感谢您的宝贵时间。

编辑：我的模型使用以下代码：

model = Sequential()
model.add(Conv2D(512,kernel_size=(5,5),activation="relu",padding="same",input_shape=(400,800,1)))
model.add(Dropout(0.3))
model.add(MaxPooling2D())
model.add(Conv2D(256,kernel_size=(5,5),activation="relu",padding="same"))
model.add(MaxPooling2D())
model.add(Conv2D(128,kernel_size=(5,5),activation="relu",padding="same"))
model.add(Dropout(0.3))
model.add(MaxPooling2D())
model.add(Flatten())
model.add(Dense(256,activation="relu"))
model.add(Dropout(0.3))
model.add(Dense(1,activation="sigmoid"))
model.compile(optimizer=Adam(learning_rate=0.0001),loss="binary_crossentropy",metrics=["accuracy"])

输出是一个介于 0 和 1 之间的数字。我想知道如何构建一个具有布尔输出的神经网络，或者通过其他方式我可以在我的测试数据上获得适当的准确性。

【问题讨论】：

很难确定您的问题是因为您没有显示您的代码。但是根据您的架构（层），我认为您错过了最后一层，即激活层（即 ReLU 或 sigmoid 函数）。
你问错了问题，你已经有了一个可以工作的模型，你应该问了解它是如何工作的以及如何将输出转换为二元决策，关于它已经有多个问题了在这里。

标签： python machine-learning keras scikit-learn

【解决方案1】：

您的输出包含一个 sigmoid 函数，这意味着正如您所说，您的网络在区间 [0, 1] 内输出一个值。您可以将此输出视为概率分布。因此，如果输出

【讨论】：

我可以这样做，并且在手动进行验证时，我一直在这样做，但以这种方式操纵数字似乎并不正确。感谢您的评论。
就是这样。没有其他方法可以做到这一点。您有一个二元分类任务并使用二元交叉熵损失。这个损失计算的正是我提到的概率分布。您的模型学习概率分布，并从该分布中获得最终标签。这里没有操纵。如果我理解正确的话就已经是这样了
谢谢。你有什么其他类型的模型可以用来解决问题的建议吗？我想从几个方面来解决这个问题。
我的意思是你当然可以尝试不同类型的基于 CNN 的网络。您是指与 CNN 或其他 Cnn 网络完全不同的东西吗？
完全不同的东西，比如 RNN。或者其他可以学习 y-x 关系的 NN。我对所有不同类型的算法有点迷茫。