[Зная ответ] · О точности обучения многоуровневых классификаторов в Keras

Эта статья взята из знаю вопросВопрос о точности обучения сигмовидного классификатора для предсказания текста в CNN?Ответ автора в этой статье используется в качестве учебного пособия по анализу использования классификаторов с несколькими метками в Keras.

 

1. Описание проблемы

Вопрос о точности обучения сигмовидного классификатора для предсказания текста в CNN?

Для задач множественной классификации текста с несколькими метками целевая метка имеет форму [ 0 0 1 0 0 1 0 1 0 1 ]. В CNN критерием точности обучения и тестирования сигмовидного классификатора является то, является ли прогноз точным, а одна из меток точной или что-то еще. Как сделать стандарт суждения о точности сигмовидного классификатора заключается в том, что все прогнозы точны, то есть прогнозы точны. Каково решение?

 

2. Ответы на вопросы

 

Решение, предложенное в вопросе для решения проблемы мультиклассификации с несколькими метками, является правильным. Но обратите внимание на несколько моментов, акк, используемый таким образом в керасе, является бинарным акком, который будет вычислять мультиметку как одинарную.

Что это обозначает? Например, введите пример обучения, есть десять меток, две из них равны 1, и вы предсказываете, что все результаты равны 0, тогда вы получаете точность 0,8. Конечный результат ac является средним значением всех выборок. Видно, что такой показатель точности не заслуживает доверия.

Решение следующее: переписать индекс оценки акк, автор написал многометочную классификацию акк, в образце, только когда все метки соответствуют соответствующему акк равен 1, если один неверный, то 0.

акк — это акк вывода keras, my_acc — это акк с несколькими метками, поскольку используется увеличение данных, valacc выше.

 

Поскольку доля каждой метки различна, проверяются разные веса, чтобы переписать потери для сравнения. Установлено, что путем корректировки соответствующих весов можно добиться лучших результатов при тех же параметрах.

 

Установите соответствующее значение веса, val_acc поднимется, и val multi-label acc также станет выше.

По поводу того, как выставить подходящие веса, автор пока в эксперименте, можете обратить внимание на авторскоеЗнай почтииблог. Результаты эксперимента будут обновлены вовремя.