性能不佳帮助-class classANN 化
Poor performance help- muti-class classification by ANN
我正在实施一个 7-class class 化任务，具有标准化特征和单热编码标签。然而，训练和验证的准确性一直很差。
如图所示，我使用 StandardScaler() 方法对特征进行了标准化，每个特征向量都变成了一个 54 维的 numpy 数组。另外，我按以下方式对标签进行了编码。
如下图所示，标签是 (num_y, 7) 个 numpy 数组。
我的网络架构：
这里展示了我是如何设计我的模型的。而且我想知道糟糕的结果是否与损失函数的选择有关（我一直在使用分类交叉熵）
感谢您的任何回复。非常感谢！
accuracy的使用显然是错误的。您的问题中未提供我引用的代码，但我可以推测您正在将真实标签与模型输出进行比较。您的模型可能 returns 一个维数为 7 的向量，它构成 类 上的概率密度函数（由于最后一层中的 softmax 激活），如下所示：
model returns: (0.7 0 0.02 0.02 0.02 0.04 0.2) -- 它们总和为 1 因为它们代表概率
然后您将这些数字与：(1 0 0 0 0 0 0)
你要做的是将模型输出转换为对应的预测标签（（0.7 0 0.02 0.02 0.02 0.04 0.2）对应于（1 0 0 0 0 0 0），因为第一个输出神经元具有较大的值（0.7））。您可以通过在模型输出后应用最大函数来做到这一点。
为确保您的问题公式有问题，请打印您正在与真实标签进行比较的向量以获得准确性，并检查它们是否是总和为 1 的 7 个数字。
我正在实施一个 7-class class 化任务，具有标准化特征和单热编码标签。然而，训练和验证的准确性一直很差。
如下图所示，标签是 (num_y, 7) 个 numpy 数组。
我的网络架构：
这里展示了我是如何设计我的模型的。而且我想知道糟糕的结果是否与损失函数的选择有关（我一直在使用分类交叉熵）
感谢您的任何回复。非常感谢！
accuracy的使用显然是错误的。您的问题中未提供我引用的代码，但我可以推测您正在将真实标签与模型输出进行比较。您的模型可能 returns 一个维数为 7 的向量，它构成 类 上的概率密度函数（由于最后一层中的 softmax 激活），如下所示：
model returns: (0.7 0 0.02 0.02 0.02 0.04 0.2) -- 它们总和为 1 因为它们代表概率
然后您将这些数字与：(1 0 0 0 0 0 0)
你要做的是将模型输出转换为对应的预测标签（（0.7 0 0.02 0.02 0.02 0.04 0.2）对应于（1 0 0 0 0 0 0），因为第一个输出神经元具有较大的值（0.7））。您可以通过在模型输出后应用最大函数来做到这一点。
为确保您的问题公式有问题，请打印您正在与真实标签进行比较的向量以获得准确性，并检查它们是否是总和为 1 的 7 个数字。