为什么我的神经网络准确率这么低？

Question

我是机器学习的新手，并且一直在让自己学习神经网络。 本周我尝试使用这个数据集编写一个神经网络。 https://archive.ics.uci.edu/ml/datasets/abalone

该数据集包含单个鲍鱼的详细信息，例如它们的大小、性别等。我使用此数据集的目标是预测鲍鱼的年龄。 这可以通过将鲍鱼的环乘以 1.5 来完成，因为数据集还揭示了一个环对 1.5 岁左右的影响。 因此，我的目标是使用神经网络来预测鲍鱼的环数。 这样，我也会知道它的年龄。

我决定有 4 层，隐藏层中有 300 个节点，output 中有 1 个节点。 这是我的代码：

abalone_ds = pd.read_csv('abalone_ds.csv', header=None, prefix='V')
abalone_ds.columns = ['Sex', 'Length', 'Diameter', 'Height',
                   'Whole weight', 'Shucked weight',
                   'Viscera weight', 'Shell weight', 'Rings']


def one_hot(ds, column_name):
    return pd.get_dummies(ds, columns=[column_name])

abalone_ds = one_hot(abalone_ds, "Sex")

y_ds = abalone_ds["Rings"]
x_ds = abalone_ds.drop(columns="Rings")

x_train, x_val, y_train, y_val = skl.train_test_split(x_ds, y_ds, test_size=0.2)

model = Sequential()
model.add(Dense(300, activation='relu', input_shape=(10,), name='Layer_2'))
model.add(Dense(300, activation='relu', name='Layer_3'))
model.add(Dense(300, activation='relu', name='Layer_4'))
model.add(Dense(1, activation='relu', name='Output'))
model.compile(loss='mean_absolute_error', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=100, epochs=5, verbose=1)

test = model.evaluate(x_val, y_val, verbose=1)

print(test)

我首先标记了数据集的列，因为它们没有被标记。 然后，当我分析数据时，我意识到只有“Sex”是非数字的，所以我将它编码为一个单热张量。 然后，我拆分数据（8:2 的比例）并将其插入网络。 结果并不乐观。

这是结果的图像

您可以看到我的 output 层的准确度为 0。 此外，误差为 1.57 环，相当于 2.355 年。 无论我如何试验/更改节点数或层数，这个准确度值都不会改变。

我不确定为什么会发生这种情况。 也许，我对哪些神经网络输出的理解是错误的？ 例如，可能 (1.57, 0.0) 不代表环数和准确度级别。 也许这个数据集不适合神经网络（意味着其他算法更适合）。 如果有人知道为什么会发生这种情况，或者我可以如何通过解释改进我当前的代码，我将不胜感激。

Answer 1

我认为问题可能如下：根据您对问题的描述，您正在尝试执行回归任务，即预测鲍鱼的年龄。 理论上，年龄可以是任何正实数。 因此，您在此处使用的准确度指标不适合该任务，因为它用于分类任务，也就是说，当 output 属于一组固定和离散的可能性之一时。 因此，我建议使用不同的指标来衡量您的 model 结果，例如均方误差或平均绝对误差，它们适合回归。

另外，请注意，虽然您的指标（准确度）的值为 0，但您的损失 function会随着每个时期而减少，这表明您的 model 正在改善：）

Answer 2

要将其构建为分类问题，您必须创建 20 个类。 您的训练集现在需要为每个训练样本分配一个 class（年龄）。 您的 model 必须对样本所在的 class 进行分类。 model 中的最后一个密集层将是

classification=Dense(20, activation= 'softmax')
model.compile(Adam, loss=sparse_categorial_crossentropy, metrics=['accuracy']