为什么在这段简单的代码中我的准确率总是0.2
为什么在这段简单的代码中我的准确率总是0.2
提问于 2019-06-04 15:24:53
我是这个领域的新手，正在尝试重新运行从互联网复制的示例LSTM代码。LSTM模型的精度始终是0.2，但预测的输出是完全正确的，这意味着精度应该是1。有人能告诉我为什么吗？
from numpy import array
from keras.models import Sequential, Dense, LSTM
length = 5
seq = array([i/float(length) for i in range(length)])
print(seq)
X = seq.reshape(length, 1, 1)
y = seq.reshape(length, 1)
# define LSTM configuration
n_neurons = length
n_batch = 1000
n_epoch = 1000
# create LSTM
model = Sequential()
model.add(LSTM(n_neurons, input_shape=(1, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
# train LSTM
model.fit(X, y, epochs=n_epoch, batch_size=n_batch)#, verbose=2)
train_loss, train_acc = model.evaluate(X, y)
print('Training set accuracy:', train_acc
result = model.predict(X, batch_size=n_batch, verbose=0)
for value in result:
print('%.1f' % value)回答 1
Stack Overflow用户
发布于 2019-06-05 03:05:51
你在测量准确度，但你在训练一个回归者。这意味着你的输出是一个浮点数，而不是一个固定的类别值。
如果您将最后一次打印更改为3位小数精度(print('%.3f' % value) )，您将看到预测值与实际值非常接近，但并不完全相同，因此精度较低：
0.039
0.198
0.392
0.597
0.788出于某些原因，正在使用的accuracy (sparse_categorical_accuracy)将0.0和0.039 (或类似的)视为成功而不是失败，这就是为什么您使用20%而不是0%的原因。
如果您将序列更改为不包含零，则将具有0%精度，这不太容易混淆：
seq = array([i/float(length) for i in range(1, length+1)])
最后，为了纠正这个问题，例如，您可以使用mae而不是accuracy作为度量，这样您将看到下面的错误：
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mae'])另一种选择是切换到分类框架(将浮点数更改为类别值)。
希望这能有所帮助！如果我能深入了解为什么sparse_categorical_accuracy检测到0是命中而不是未命中，我将编辑答案。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/56439209
复制相关文章
相似问题