如何研究每个数据对深层神经网络模型的影响？

Question

我正在使用Python和Keras库来训练神经网络模型.

我的模型测试精度非常低(60.0%),我尝试了很多来提升它,但我做不到.我正在使用DEAP数据集(共32个参与者)来训练模型.我正在使用的分裂技术是固定的.它如下:28名参与者进行培训,2名参加验证,2名参加测试.

对于我正在使用的模型如下.

• 顺序模型
• 优化者=亚当
• 使用L2_regularizer,高斯噪声,丢失和批量归一化
• 隐藏层数= 3
• 激活= relu
• 编译损失= categorical_crossentropy
• initializer = he_normal

现在,我正在使用列车测试技术(也修一个)来分割数据,我得到了更好的结果.但是,我发现有些参与者以负面的方式影响了培训的准确性.因此,我想知道是否有办法研究每个数据(参与者)对模型准确性(性能)的影响？

最好的祝福,

Answer 1

从我的《开始深度学习实践：CIFAR-10 图像分类》教程中，我坚持跟踪两者：

• 全局指标（对数损失、准确性），
• 示例（正确和错误分类案例）。

后者可能帮助我们判断哪些模式有问题，并且在很多情况下帮助我更改网络（或补充训练数据，如果是这种情况）。

示例它是如何工作的（这里使用Neptune，尽管您可以在 Jupyter Notebook 中手动执行此操作，或使用TensorBoard图像通道）：

然后查看特定示例以及预测概率：

完整免责声明：我与 deepsense.ai、创建者或Neptune - 机器学习实验室合作。