具有3个输出的Keras回归模型只对一个输出给出了准确的结果

Question

我正在尝试运行一个神经网络，使用python中的keras，它有2个值作为输入，3个值作为输出。输入表示固有频率，而输出表示等效冰负载。问题是在模型完成训练后，它似乎只被训练为预测一个输入，而不是所有三个输入。这个模型是回归的，而不是classification.Here，我给出了我的代码

seed = 9
np.random.seed(seed)
# import dataset
dataset=np.loadtxt("Final_test_matrix_new_3_digits.csv", delimiter=",")
# Define dataset
Y=dataset[:, 0:3]
X=dataset[:, 3:5]
#Categorize data
from sklearn.model_selection import train_test_split
X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = 0.3, 
random_state = seed)
# create model
model = Sequential()
model.add(Dense(12, input_dim=2,activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(3, init='uniform', activation='relu'))
# compile the model
model.compile(loss='mean_squared_logarithmic_error', optimizer='adam', 
metrics=['accuracy'])
# checkpoint
filepath="weights.best_12_8_8_neurons.hdf5"
checkpoint = ModelCheckpoint(filepath, monitor='val_acc', verbose=1, 
save_best_only=True, mode='max')
callbacks_list = [checkpoint]
# fit the model
history=model.fit(X_train, Y_train, validation_split=0.1, epochs=100000, 
batch_size=10,callbacks=callbacks_list)
# evaluate the model
scores = model.evaluate(X_test, Y_test)
print ("Accuracy: %.2f%%" %(scores[1]*100))

根据python的说法，该模型的准确性为65%，但这一事实不会影响输出的准确性，因为第二个输出的精度低于第一个输出的精度，而第三个输出的精度几乎为0。代码的主要目标是创建一个回归模型，其中所有输出将具有相同的accuracy.In如下所示分别显示模型精度、模型损失和每个输出的预测：

​

Answer 1

看起来随机森林更适合你的情况。你应该试一试，特别是如果你有不平衡的类。

作为一种解决办法，您可以增加Dense(8)层中的节点数，这取决于数据的变化。

然后，您必须检查少数类并采用以下代码(合成少数过采样技术)：

from imblearn.over_sampling import SMOTE

sm = SMOTE()
x_train2, y_train2 = sm.fit_sample(X_train, Y_train)

请注意，此代码仅适用于二进制输出，因此您应该对3个类进行一次热编码，然后应用类0和类1，然后应用类0和类2，从类0中删除双倍过采样。然后运行神经网络模型，将validation_split增加到0.2。