私は基本的な多層ニューラルネットワークのニューロンの数をグリッド探索する方法を自分で学習しようとしています。私はPythonとKerasのGridSearchCVとKerasClasifierを使用しています。以下のコードは他のデータセットでもうまく機能しますが、何らかの理由でIrisのデータセットでは機能しませんでした。その理由を見つけることができず、ここで何か不足しています。私が得る結果は次のとおりです。私は2つの値だけを検索例示の目的と計算効率のためにニューロン数のためのGridSearchCV
Best: 0.000000 using {'n_neurons': 3} 0.000000 (0.000000) with: {'n_neurons': 3} 0.000000 (0.000000) with: {'n_neurons': 5}
from pandas import read_csv
import numpy
from sklearn.preprocessing import LabelEncoder
from sklearn.preprocessing import StandardScaler
from keras.wrappers.scikit_learn import KerasClassifier
from keras.models import Sequential
from keras.layers import Dense
from keras.utils import np_utils
from sklearn.model_selection import GridSearchCV
dataframe=read_csv("iris.csv", header=None)
dataset=dataframe.values
X=dataset[:,0:4].astype(float)
Y=dataset[:,4]
seed=7
numpy.random.seed(seed)
#encode class values as integers
encoder = LabelEncoder()
encoder.fit(Y)
encoded_Y = encoder.transform(Y)
#one-hot encoding
dummy_y = np_utils.to_categorical(encoded_Y)
#scale the data
scaler = StandardScaler()
X = scaler.fit_transform(X)
def create_model(n_neurons=1):
#create model
model = Sequential()
model.add(Dense(n_neurons, input_dim=X.shape[1], activation='relu')) # hidden layer
model.add(Dense(3, activation='softmax')) # output layer
# Compile model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
model = KerasClassifier(build_fn=create_model, epochs=100, batch_size=10, initial_epoch=0, verbose=0)
# define the grid search parameters
neurons=[3, 5]
#this does 3-fold classification. One can change k.
param_grid = dict(n_neurons=neurons)
grid = GridSearchCV(estimator=model, param_grid=param_grid, n_jobs=-1)
grid_result = grid.fit(X, dummy_y)
# summarize results
print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))
means = grid_result.cv_results_['mean_test_score']
stds = grid_result.cv_results_['std_test_score']
params = grid_result.cv_results_['params']
for mean, stdev, param in zip(means, stds, params):
print("%f (%f) with: %r" % (mean, stdev, param))
。私はこのような簡単な質問をすることを心から謝ります。私はDeep LearningコミュニティがPythonを使用していることに気づいたので、Pythonには新しく、Rから切り替えました。
あなたのコードを見ていませんでしたが、実際にDLのGridSearchを見ましたか?悪いアイデアIMO。より多くのニューロンを(あなたがボトルネックに達するまで)、より良いものは(理論的に)なりますが、それはあなたのアーキテクチャーも良いことを意味しません。 – Nain
私は完全にあなたを理解しています。私はすでに8のニューロンの数でそのモデルを実行し、良い精度を得る。私はPythonを初めて使うので、できるだけ人工的な分析をしたいだけです。 –
(1)最初のコメントはありません。トレーニングロス(およびフィッティングパラメータ)に関しては真実かもしれませんが、CVを使用すると実行可能なアプローチ(よりシンプルなスキームが良い場合)が可能になります。 (2)少なくともデータが欠落しているため、コードは再現できません。(3)その他のデータセットは何ですか?あなたは彼らが働いているとどのように推測しましたか?これと他の違いは何ですか?アイリスは実際には最も簡単なデータセットの1つであり、完璧なスコアが可能です。(4)スコアのチェックが確実に行われていることを確認してください(スコアvs.ロス;多分明示的なスコアラー関数を使用してください) – sascha