Keras高损耗，不会随着每个时代而减少

Question

我正在学习NN和Keras。我的测试数据是这样的：

Result, HomeWinPossibility, DrawPossibility, AwayWinPossibility
[['AwayWin' 0.41 0.28 0.31]
 ['HomeWin' 0.55 0.25 0.2]
 ['AwayWin' 0.17 0.21 0.62]
 .....

这是我的模型：

Result, HomeWinPossibility, DrawPossibility, AwayWinPossibility
[['AwayWin' 0.41 0.28 0.31]
 ['HomeWin' 0.55 0.25 0.2]
 ['AwayWin' 0.17 0.21 0.62]
 .....

fit的输出为：

Epoch 1/100
190/190 [==============================] - 1s 3ms/step - loss: 0.9151 - acc: 0.5737
Epoch 2/100
190/190 [==============================] - 1s 3ms/step - loss: 0.9181 - acc: 0.5474
Epoch 3/100
190/190 [==============================] - 1s 3ms/step - loss: 0.9111 - acc: 0.5526
Epoch 100/100
190/190 [==============================] - 1s 3ms/step - loss: 0.9130 - acc: 0.5579

那么，为什么损失不像我阅读的一些NN教程那样减少？是因为我提供的数据只是噪音，所以NN无法找到任何线索或模型不正确的东西吗？

因为acc总是在0.55（即50％）左右，这是否意味着NN实际上比随机猜测（> 33％）更好？如果是这样，为什么在第一个时期就达到了0.57的精度？

Answer 1

那么，为什么损失不像我阅读的一些NN教程那样减少？

可能有很多原因-完全取决于您的数据。您可以调整以下内容：

• 您的批次大小非常小。尽管某些数据实际上可能对此做出了响应，但我认为1在大多数情况下的批量大小会太小-不用开始了解使用批量大小1时显示的结构的冗余性。批量大小非常取决于多少以及您拥有什么样的数据，但是如果您有足够的数据，请尝试在20到30左右的某个位置进行。

• 尝试不同的激活功能（但总是有softmax或sigmoid在最后一层，因为你想之间的数字0和1）。

• 增加第一层和/或第二层中的单位数（如果有足够的数据）。

• 尝试lr为Adam优化器设置学习率（）：model.compile(optimizer=keras.optimizers.Adam(lr=0.001), ...)

是因为我提供的数据只是噪音

如果您的数据在各个类别中都是纯噪声，那么很可能考虑到每个类别中的数据点数量大致相同，因此准确度约为33％，因为它实际上只是随机猜测。

由于acc始终约为0.55（因此50％）。这是否意味着NN实际上比随机猜测（33％）要好？

不必要。准确性是对正确分类的类别的度量。假设验证数据（通常是计算准确性的数据集的一部分）仅包含一个类的数据。然后，如果NN仅将所有内容分类为该类别，则验证数据将具有100％的准确性！

这意味着，如果每个类中没有相同数量的数据点，那么就不要单靠准确性！在数据集不平衡的情况下，更好的衡量标准是AUC（ROC曲线下的面积）或F1分数，它也考虑了误报。

我建议您研究一下背后的理论。盲目地跑来跑去可能会很烦，因为您很难获得良好的结果。即使您获得了良好的结果，它们通常也可能不如您想像的那样好。读一本书的地方是伊恩·古德费洛（Ian Goodfellow）关于深度学习的书。