Я пытаюсь использовать логистическую регрессию с использованием кера, это один из моих первых экспериментов в ML. Скажем, я хочу, чтобы предсказать значения для некоторых очень простой непрерывной функции с только 1 аргумент, как y = x*10
Модель для прогнозирования простой линейной функции
Я попытался обучить модель так:
from matplotlib import pyplot as plt
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation
# fix random seed for reproducibility
np.random.seed(7)
# function
curve = np.vectorize(lambda x: x*10)
# data
Xideal = np.arange(1, 15.5, 0.005)
Yideal = curve(Xideal)
X = Xideal[1::5]
Y = curve(X)
# Model
model = Sequential()
model.add(Dense(20, activation='sigmoid', input_dim=1))
model.add(Dense(5, activation='linear'))
model.add(Dense(1))
model.compile(loss='mse', optimizer='rmsprop', metrics=['accuracy'])
# Fit
model.fit(X, Y, nb_epoch=1000, batch_size=32, verbose=0)
# Evaluate
# evaluate the model
scores = model.evaluate(Xideal, Yideal)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
print("\n%s: %.2f%%" % (model.metrics_names[0], scores[0]*100))
дает мне результат из 2624/2900 [==========================>...] - ETA: 0s acc: 2.38% loss: 44.35%
не уверен, что это всего лишь 2,38% точности. Я экспериментировал с различными моделями с различными функциями активации, размерами партии и эпохами, но получал максимум 10% точности. Я думаю, что я пропустил здесь что-то основное
1) Логистическая регрессия на самом деле является классификатором, а не регрессором. Но вам, похоже, нужна регрессия для вашей задачи. 2) Вы действительно должны предварительно обрабатывать свои данные (стандартизация/нормализация, одно из наиболее важных правил с NN) – sascha