我的网络为mean_squared_error做了优化，但是预测是无用的。

Question

在阅读了tensorflow的教程之后，我决定做自己的项目。为此，我做了以下工作：

• 我从一个名为“电影网”的波兰网站上刮过电影评论。我得到了一个数据集o 5400电影评论，评分范围为1-10。
• 我使用“Morfeusz”python绑定来标记文本并将其命名。我已经删除了最基本的句号。
• 我将大多数使用的10000个引理映射到数字，并将数据放在列表中。
• 将数据随机分成两个相等的集合。
• 我的培训数据是电影评论引引器中填充了0(如教程中所示)。预期的结果是评级。
• 我的模型是

    vocab_size = 10000

    model = keras.Sequential()
    model.add(keras.layers.Embedding(vocab_size, 16))
    model.add(keras.layers.GlobalAveragePooling1D())
    model.add(
        keras.layers.Dense(16, activation=tf.nn.relu)
    )
    model.add(keras.layers.Dense(1))

    optimizer = tf.keras.optimizers.RMSprop(0.001)


    model.compile(optimizer=optimizer, 
              loss='mean_squared_error',
              metrics=['accuracy'])

在运行优化过程之后，我看到损失度量下降得相当快。然而，精度远低于0.1，在我检查了这个网络的预测之后，它们是无用的。该模型预测所有收视率在6-7之间。因此，我理解网络“优化”总是简单地猜测平均值。

我不知道下一步该做些什么。我的模型对这个任务错了吗？我应该以某种方式使我的数据正常化或增加吗？还是数据集的大小太小，无法得到任何有意义的结果？

编辑:这是指向我的数据集和生成它的脚本的链接：https://www.dropbox.com/s/csyo934hhtbxxu9/fw-data.tar.bz2?dl=0

Answer 1

您现在正在做的是回顾分数的回归，因此准确性并不是评估绩效的合适指标。您的模型正在优化均方误差，因此它预测(几乎)平均复习分数是有意义的。

由于您对评级预测的准确性感兴趣，因此应将输出层设置为包含10个可能的输出的softmax层，如下所示：

model.add(keras.layers.Dense(10), activation='softmax')

然后，您可以优化您的模型的categorical_crossentropy，并报告准确性。这样，你就可以对收视率进行分类。

model.compile(optimizer=optimizer, 
              loss='categorical_crossentropy',
              metrics=['accuracy'])