性能不佳的帮助- ANN 的多类分类

Question

我正在实施一个具有标准化特征和一次性编码标签的 7 类分类任务。但是，训练和验证的准确度极差。

如图所示，我使用 StandardScaler() 方法对特征进行了归一化，每个特征向量都是一个 54 维的 numpy 数组。另外，我按以下方式对标签进行单编码。

如下图，标签为(num_y, 7)个numpy数组。

我的网络架构：

这里展示了我是如何设计我的模型的。我想知道糟糕的结果是否与损失函数的选择有关（我一直在使用Categorical Cross-Entropy）

感谢您的任何回复。非常感谢！

Answer 1

使用准确率显然是错误的。您的问题中未提供我所指的代码，但我可以推测您正在将真实标签与模型输出进行比较。您的模型可能会返回一个维数为 7 的向量，该向量构成类的概率密度函数（由于最后一层中的 softmax 激活），如下所示：

模型返回：(0.7 0 0.02 0.02 0.02 0.04 0.2) -- 它们总和为 1，因为它们代表概率

然后你将这些数字与：(1 0 0 0 0 0 0)

你要做的是将模型输出转换为相应的预测标签（（0.7 0 0.02 0.02 0.02 0.04 0.2）对应于（1 0 0 0 0 0 0），因为第一个输出神经元具有更大的值（0.7 ））。您可以通过在模型输出后应用 max 函数来做到这一点。

为了确保您的问题公式有什么问题，请打印您要与真实标签进行比较的向量，以获得准确度并检查它们是否是 7 个总和为 1 的数字。