我正在尝试自己学习如何在基本的多层神经网络中对神经元数量进行网格搜索。我正在使用 Python 的 GridSearchCV 和 KerasClasifier 以及 Keras。下面的代码非常适用于其他数据集,但由于某些原因我无法使其适用于 Iris 数据集,我找不到原因,我在这里遗漏了一些东西。我得到的结果是: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))
出于说明和计算效率的目的,我只搜索两个值。问这么简单的问题,我深表歉意。顺便说一下,我是 Python 新手,从 R 切换过来的,因为我意识到深度学习社区正在使用 Python。
最佳答案
哈哈,这可能是我在 Stack Overflow 上经历过的最有趣的事情 :) 检查:
grid = GridSearchCV(estimator=model, param_grid=param_grid, n_jobs=-1, cv=5)
你应该看到不同的行为。您的模型获得完美分数的原因(就
cross_entropy
而言,0
相当于可能的最佳模型)是因为您没有对数据进行混洗,并且因为 Iris
由三个平衡类组成,每个提要都有一个类,例如目标:[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 (first fold ends here) 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 (second fold ends here)2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
每个模型都可以轻松解决此类问题 - 这就是您拥有完美匹配的原因。
尝试之前洗牌您的数据 - 这应该会导致预期的行为。
关于python - 用于神经元数量的 GridSearchCV,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/47002177/