在深度学习中设置输出变量答案

【问题标题】：Setting output variable in deep learning在深度学习中设置输出变量
【发布时间】：2021-02-13 07:23:14
【问题描述】：

我有这个代码：

from numpy import loadtxt
from keras.models import Sequential
from keras.layers import Dense
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=',')
X = dataset[:,0:8]
y = dataset[:,8]
model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, y, epochs=150, batch_size=10)
_, accuracy = model.evaluate(X, y)
print('Accuracy: %.2f' % (accuracy*100))

我需要更改输出列，以便它从分数（例如 1 到一百万）而不是 0 或 1（sigmoid）预测/学习。

【问题讨论】：

似乎您正在尝试进行回归而不是分类。使用model.add(Dense(1))，没有激活，所以它将是线性层。还将损失从binary_crossentropy更改为mse
@epsi95 谢谢你，奖金问题，你知道如何让它接受不同数量的列作为输入数据吗？说4到5？现在我的列都是 8 号的，我不得不填充它，但担心它会影响学习。
请不要使用 cmets 空间来回答后续问题。编辑和更新您的帖子或打开一个新帖子。

标签： python tensorflow machine-learning keras deep-learning

【解决方案1】：

至于您的情况，您需要在最后一层（输出层）使用 relu 作为激活函数，而不是 sigmoid relu 的范围是 [0,inf)。那么在这种情况下，您需要使用 'MSE' 作为损失指标。

从概念上讲，您要解决的问题是回归类型的问题。

【讨论】：