首頁猿問簡單機器模型的精度不好？如何調(diào)試？

簡單機器模型的精度不好？如何調(diào)試？

Python

慕蓋茨4494581 2022-09-13 19:41:44

我正在嘗試構(gòu)建一個機器學(xué)習(xí)模型，盡管答案相當(dāng)簡單，但結(jié)果確實很糟糕。我知道我做錯了什么，但不確定在哪里。以下是我正在做的事情：我有一個公司財務(wù)數(shù)據(jù)集。為了方便起見，我試圖預(yù)測毛利潤（總收入 - 收入成本）為了使它更容易，我實際上正在自己將該值計算到熊貓列中df['grossProfit'] = df['totalRevenue'] - df['costOfRevenue']為了使它有點挑戰(zhàn)性，我有一個名為exchange的列，它是數(shù)字格式的類別（1，2，3等）。我的目標是簡單地預(yù)測總利潤，我認為這很容易，因為100%的數(shù)據(jù)計算它在我的數(shù)據(jù)集中，但當(dāng)我運行模型時，我得到高達6%的準確率。我預(yù)計它會接近100%，因為模型應(yīng)該計算出總收入+收入成本=總利潤。這是我的數(shù)據(jù)： grossProfit totalRevenue Exchange costOfRevenue0 9.839200e+10 2.601740e+11 NASDAQ 1.617820e+111 9.839200e+10 2.601740e+11 NASDAQ 1.617820e+112 1.018390e+11 2.655950e+11 NASDAQ 1.637560e+113 1.018390e+11 2.655950e+11 NASDAQ 1.637560e+114 8.818600e+10 2.292340e+11 NASDAQ 1.410480e+11... ... ... ... ...186 4.224500e+10 9.113400e+10 NYSE 4.888900e+10187 4.078900e+10 9.629300e+10 NYSE 5.550400e+10188 3.748200e+10 8.913100e+10 NYSE 5.164900e+10189 3.397500e+10 8.118600e+10 NYSE 4.721100e+10190 3.597700e+10 8.586600e+10 NYSE 4.988900e+10191 rows × 4 columns

查看完整描述

1 回答

慕少森

TA貢獻2019條經(jīng)驗獲得超9個贊

對于初學(xué)者：

您處于回歸設(shè)置中，其中準確性毫無意義（它僅用于分類問題）。從模型編譯中刪除，不要為此煩惱 - 您應(yīng)該使用與損失相同的數(shù)量（此處為MSE）來評估模型的性能。metrics=['accuracy']
出于同樣的原因（回歸問題），您不應(yīng)該對最后一個圖層使用激活，而應(yīng)該對最后一個圖層使用激活（離開，就像執(zhí)行該工作一樣，因為這是 Keras 圖層的默認激活）。sigmoidlinearDense(1)linear
具有線性激活的中間層（如您在這里的中間層）每個都只是一個單節(jié)點線性層（即幾乎沒有）;向所有中間層添加激活（就像對第一層所做的那樣）。relu

總而言之，這是實驗的起點：

model = tf.keras.Sequential()

model.add(layers.Dense(64, activation='relu', input_shape=(numInputColumns,)))

model.add(layers.Dense(128, activation='relu'))

model.add(layers.Dense(1))

model.compile(loss='mean_squared_error', optimizer='adam')

當(dāng)你完成這一部分時，你最終會得出一個不幸的結(jié)論，即與分類問題相反，我們可以立即說準確性是否“好”，“不夠好”，“壞”等，回歸問題的性能指標，如MSE，不會讓自己進入如此簡單的評估;更糟糕的是，您的 MSE 是根據(jù)您縮放的數(shù)據(jù)計算的。閱讀我的答案如何在Keras Regressor中解釋MSE 了解如何計算初始未縮放數(shù)據(jù)中的MSE，獲取其平方根，從而能夠以原始數(shù)據(jù)的單位進行比較，以查看它是否適合您的情況（ML教程中通常省略的一部分）...y

反對回復(fù) 2022-09-13