나는 많은 매개 변수에 대한 그리드 검색을 설정했습니다. 이진 분류를 수행하는 Keras 신경망에 가장 적합한 매개 변수를 찾으려고합니다. 출력은 1 또는 0입니다. 약 200 개의 기능이 있습니다. 그리드 검색을 수행했을 때 많은 모델과 매개 변수를 얻었습니다. 가장 좋은 모델에는 다음과 같은 매개 변수가 있습니다.
Epochs : 20
Batch Size : 10
First Activation : sigmoid
Learning Rate : 1
First Init : uniform
해당 모델의 결과는 다음과 같습니다.
loss acc val_loss val_acc
1 0.477424 0.768542 0.719960 0.722550
2 0.444588 0.788861 0.708650 0.732130
3 0.435809 0.794336 0.695768 0.732682
4 0.427056 0.798784 0.684516 0.721137
5 0.420828 0.803048 0.703748 0.720707
6 0.418129 0.806206 0.730803 0.723717
7 0.417522 0.805206 0.778434 0.721936
8 0.415197 0.807549 0.802040 0.733849
9 0.412922 0.808865 0.823036 0.731761
10 0.410463 0.810654 0.839087 0.730410
11 0.407369 0.813892 0.831844 0.725252
12 0.404436 0.815760 0.835217 0.723102
13 0.401728 0.816287 0.845178 0.722488
14 0.399623 0.816471 0.842231 0.717514
15 0.395746 0.819498 0.847118 0.719541
16 0.393361 0.820366 0.858291 0.714873
17 0.390947 0.822025 0.850880 0.723348
18 0.388478 0.823341 0.858591 0.721014
19 0.387062 0.822735 0.862971 0.721936
20 0.383744 0.825762 0.880477 0.721322
그래서 나는 더 많은 시대 (그중 150 개)가있는 모델을 다시 가져 왔으며 이것이 얻은 결과입니다. 왜 이런 일이 일어나고 있는지, 이것이 정상입니까, 아니면 내가 뭘 잘못하고 있는지 잘 모르겠습니다.
loss acc val_loss val_acc
1 0.476387 0.769279 0.728492 0.722550
2 0.442604 0.789941 0.701136 0.730472
3 0.431936 0.796915 0.676995 0.723655
4 0.426349 0.800258 0.728562 0.721997
5 0.421143 0.803653 0.739789 0.716900
6 0.416389 0.807575 0.720850 0.711373
7 0.413163 0.809154 0.751340 0.718128
8 0.409013 0.811418 0.780856 0.723409
9 0.405871 0.813576 0.789046 0.719295
10 0.402579 0.815524 0.804526 0.720278
11 0.400152 0.816813 0.811905 0.719541
12 0.400304 0.817261 0.787449 0.713154
13 0.397917 0.817945 0.804222 0.721567
14 0.395266 0.819524 0.801722 0.723348
15 0.393957 0.820156 0.793889 0.719049
16 0.391780 0.821103 0.794179 0.721199
17 0.390206 0.822393 0.806803 0.722611
18 0.388075 0.823604 0.817850 0.723901
19 0.385985 0.824762 0.841883 0.722058
20 0.383762 0.826867 0.857071 0.720830
21 0.381493 0.827947 0.864432 0.718005
22 0.379520 0.829210 0.872835 0.720400
23 0.377488 0.830526 0.879962 0.721383
24 0.375619 0.830736 0.887850 0.723839
25 0.373684 0.832000 0.891267 0.724822
26 0.372023 0.832368 0.891562 0.724638
27 0.370155 0.833184 0.892528 0.724883
28 0.368511 0.834684 0.887061 0.724699
29 0.366522 0.835606 0.883541 0.724883
30 0.364500 0.836422 0.882823 0.724515
31 0.362612 0.836737 0.882611 0.722427
32 0.360742 0.837448 0.884282 0.720769
33 0.359093 0.838738 0.884339 0.719418
34 0.357436 0.839080 0.888006 0.716470
35 0.355723 0.840633 0.892658 0.713830
36 0.354305 0.840764 0.897303 0.710575
37 0.352758 0.841343 0.901147 0.709408
38 0.351414 0.842054 0.899546 0.707934
39 0.349619 0.843370 0.905133 0.704864
40 0.347993 0.844475 0.910400 0.701363
41 0.346402 0.845581 0.915086 0.699337
42 0.345014 0.845818 0.918697 0.697617
43 0.343708 0.846607 0.923413 0.695652
44 0.342335 0.847292 0.930816 0.693441
45 0.340745 0.848081 0.940737 0.689020
46 0.339623 0.848713 0.948633 0.685274
47 0.338846 0.849845 0.952492 0.683923
48 0.337724 0.850134 0.961147 0.683984
49 0.336247 0.850976 0.967792 0.683309
50 0.334444 0.851529 0.984107 0.680238
51 0.333086 0.852029 1.001179 0.678273
52 0.331756 0.853240 1.016130 0.674589
53 0.330738 0.854003 1.024875 0.673606
54 0.329548 0.854030 1.040597 0.670044
55 0.328813 0.855372 1.041871 0.668509
56 0.327120 0.855898 1.050617 0.668755
57 0.325962 0.855819 1.064525 0.666667
58 0.324602 0.856898 1.078078 0.662859
59 0.323560 0.857241 1.085016 0.661938
60 0.322243 0.858662 1.093114 0.661140
61 0.320680 0.858872 1.117269 0.656841
62 0.319267 0.860004 1.138825 0.654815
63 0.318132 0.860636 1.154959 0.653648
64 0.316956 0.861531 1.180216 0.649718
65 0.315543 0.862320 1.198216 0.648428
66 0.314405 0.862610 1.218663 0.647384
67 0.313501 0.863873 1.245123 0.644252
68 0.312513 0.864558 1.262998 0.643147
69 0.311567 0.865347 1.283213 0.641918
70 0.310069 0.866505 1.302089 0.640752
71 0.309087 0.866611 1.318972 0.641857
72 0.307767 0.867321 1.361531 0.638787
73 0.306750 0.866742 1.382162 0.638357
74 0.305760 0.867242 1.378694 0.641611
75 0.305289 0.867769 1.393187 0.642594
76 0.304089 0.868479 1.435852 0.635532
77 0.302472 0.869006 1.435019 0.639892
78 0.301118 0.869400 1.447060 0.639216
79 0.300629 0.870058 1.488730 0.634918
80 0.299364 0.870295 1.488376 0.636576
81 0.298380 0.870822 1.504260 0.634611
82 0.297253 0.871664 1.525655 0.634058
83 0.296760 0.871875 1.538717 0.632891
84 0.295502 0.872585 1.551178 0.633751
85 0.294569 0.872927 1.562323 0.633137
86 0.294780 0.872585 1.555390 0.629944
87 0.293796 0.872743 1.587800 0.627057
88 0.293029 0.873427 1.608010 0.627549
89 0.291822 0.874006 1.626047 0.627303
90 0.290643 0.874533 1.651658 0.626689
91 0.289920 0.875270 1.681202 0.623925
92 0.289661 0.875375 1.683188 0.626505
93 0.288103 0.876323 1.706517 0.625031
94 0.287917 0.876770 1.722031 0.624417
95 0.287020 0.877270 1.743283 0.624478
96 0.286750 0.877639 1.762506 0.624048
97 0.285712 0.877481 1.780433 0.622267
98 0.284635 0.878639 1.789917 0.622206
99 0.283627 0.879191 1.862468 0.616925
100 0.282214 0.879455 1.915643 0.612810
101 0.281749 0.879244 1.881444 0.615205
102 0.281710 0.879639 1.916390 0.614223
103 0.280293 0.880350 1.938470 0.612810
104 0.279233 0.881008 1.979127 0.609187
105 0.279204 0.880297 1.997384 0.606546
106 0.278264 0.881876 2.009851 0.607652
107 0.277511 0.882876 2.038530 0.606116
108 0.277521 0.881771 2.034664 0.604888
109 0.276264 0.882534 2.058179 0.604827
110 0.275230 0.883587 2.078912 0.604274
111 0.275147 0.883034 2.073272 0.603537
112 0.273717 0.883797 2.100150 0.600958
113 0.273372 0.883692 2.114416 0.601634
114 0.272626 0.883692 2.129778 0.601941
115 0.272001 0.883929 2.138462 0.601326
116 0.271344 0.884508 2.148771 0.602923
117 0.270134 0.884692 2.115114 0.604581
118 0.269494 0.885140 2.135719 0.603107
119 0.268803 0.885587 2.162380 0.601695
120 0.268593 0.886219 2.183793 0.599239
121 0.267141 0.886035 2.195810 0.600221
122 0.266565 0.886772 2.192426 0.600528
123 0.265715 0.886561 2.260088 0.596598
124 0.264788 0.887693 2.253029 0.597335
125 0.263643 0.887693 2.289285 0.597028
126 0.263612 0.887956 2.311600 0.596536
127 0.261996 0.888588 2.339754 0.595063
128 0.263069 0.887588 2.364881 0.594449
129 0.261684 0.889272 2.321568 0.596598
130 0.261304 0.889509 2.389324 0.591562
131 0.260336 0.889640 2.403542 0.593098
132 0.259131 0.890272 2.413964 0.592115
133 0.258756 0.890193 2.422454 0.591992
134 0.257794 0.891009 2.454598 0.591255
135 0.257187 0.891009 2.459366 0.590088
136 0.257249 0.891088 2.448625 0.591624
137 0.256344 0.891404 2.495104 0.589167
138 0.255590 0.891720 2.495032 0.589781
139 0.254596 0.892299 2.496050 0.589229
140 0.254308 0.892588 2.510471 0.589536
141 0.253694 0.892509 2.519580 0.589720
142 0.252973 0.893088 2.527464 0.590273
143 0.252714 0.893194 2.553902 0.589106
144 0.252190 0.893720 2.536494 0.590457
145 0.251870 0.893352 2.553102 0.588799
146 0.250437 0.893694 2.565141 0.589597
147 0.250066 0.894141 2.575599 0.588553
148 0.249596 0.894273 2.590722 0.588123
149 0.248569 0.894983 2.596031 0.588676
150 0.248096 0.895273 2.602810 0.588860
유효성 검사 손실이 줄어들지 않았기 때문에 이상합니다. 학습률이 의심스럽고 일반적인 학습률은 약 0.001입니다. 그리드 검색에 어떤 범위의 학습률을 사용 했습니까?
—
휴
I 사용 [1.000, 0.100, 0.010, 0.001]
—
user1367204
다소 늦을 수 있지만 데이터가 생각한 것입니까? 특히, 두 값이 항상 함께 이동해야하기 때문에 검증 정확도가 정체되고 검증 손실이 증가하는 것은 매우 이상합니다. 손실 값의 감소는 비례 정확도의 증가와 결합되어야합니다. 훈련 손실의 경우이를 알 수 있습니다. 훈련 손실이 감소함에 따라 정확도도 증가합니다. 그러나 이것은 보유한 유효성 검사 데이터의 경우에는 해당되지 않습니다. 따라서 나는 당신이 어떻게 검증 손실과 ac를 얻는 지에 대해 확실히 살펴볼 것입니다.
—
matt_m