多标签回归keras神经网络中的未知问题(S)
多标签回归是一种机器学习任务，旨在预测多个相关的连续值。Keras是一个开源的深度学习库，提供了构建神经网络模型的高级API。在使用Keras进行多标签回归时，可能会遇到一些未知问题，下面是一些可能的问题及解决方法：
- 数据不平衡：如果标签之间的分布不均衡，模型可能会倾向于预测出现频率较高的标签。解决方法包括使用权重调整损失函数、过采样或欠采样等技术来平衡数据。
- 模型过拟合：当模型在训练集上表现良好但在测试集上表现较差时，可能存在过拟合问题。可以通过增加训练数据、使用正则化技术（如L1、L2正则化）、添加Dropout层等方法来减少过拟合。
- 模型欠拟合：当模型无法很好地拟合训练数据时，可能存在欠拟合问题。可以尝试增加模型的复杂度（增加层数或神经元数量）、调整学习率、增加训练轮数等方法来提高模型性能。
- 特征选择：选择合适的特征对于多标签回归任务至关重要。可以使用特征选择算法（如相关性分析、方差阈值等）来选择最相关的特征，以提高模型的预测能力。
- 超参数调优：神经网络模型中存在许多超参数（如学习率、批大小、激活函数等），调整这些超参数可以显著影响模型性能。可以使用交叉验证、网格搜索等技术来寻找最佳的超参数组合。
对于多标签回归问题，腾讯云提供了一些相关的产品和服务：
- 腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）：提供了强大的机器学习工具和资源，包括深度学习框架TensorFlow，可以用于构建和训练多标签回归模型。
- 腾讯云GPU服务器（https://cloud.tencent.com/product/cvm）：提供了高性能的GPU服务器，可以加速神经网络模型的训练和推理过程。
- 腾讯云对象存储（https://cloud.tencent.com/product/cos）：提供了可靠、安全的对象存储服务，可以用于存储和管理训练数据和模型参数。
请注意，以上仅为示例，实际选择产品和服务应根据具体需求进行评估和决策。
相关·内容
我正在尝试使用nolearn构建一个神经网络，它可以在多个类上进行回归。
例如：
net = NeuralNet(layers=layers_s,
input_shape=(None, 2048),
l1_num_units=8000,
l2_num_units=4000,
l3_num_units=2000,
l4_num_units=1000,
d1_p = 0.25,
d2_p = 0.25,
浏览 4提问于2015-08-30得票数 0
我使用scikit_learn.GridSearchCV为我的Keras神经网络网格搜索超参数(用于回归问题)。我的神经网络的输出是一个实值： #generate a model (createModel is a function which returns a keras.Sequential model)
model = keras.wrappers.scikit_learn.KerasRegressor(build_fn=createModel)
#run the GridSearch
paramGrid = dict( epochs=[100, 250, 500], batch
浏览 234提问于2021-01-07得票数 1
回答已采纳
2回答
我在问自己，在尝试使用多个(>100)标签对数据进行分类时，是否还有比深度人工神经网络更好的方法。有什么建议吗？例如，逻辑回归似乎不合适，因为在它的基本形式中，它只支持两个标签，对吗？
浏览 0提问于2021-11-21得票数 4
我创建了简单的Keras模型(预测，而不是分类或回归)
inpLayer = tf.keras.layers.Input((1,), dtype=tf.float64)
hiddenLayer = tf.keras.layers.Dense(2, activation=tf.atan, dtype=tf.float64)(inpLayer)
outputLayer = tf.keras.layers.Dense(1, activation='linear', dtype=tf.float64)(hiddenLayer)
model = tf.keras.models.Model
浏览 10提问于2022-09-20得票数 -3
我正在使用keras (python，后端: tensorflow)训练一个神经网络作为回归模型。因此，我的输出层不包含激活函数，我使用均方误差作为我的损失函数。
我的问题是:我希望确保所有输出估计的总和(几乎)等于所有实际标签的总和。
我的意思是:我希望确保不仅每个训练示例i的sum (y_real) ^i ~ (y_predict)^ i，而且还保证sum(Y_real)= sum(y_predict)，对所有i求和。正则线性回归使添加此限制变得足够简单，但我没有看到神经网络有任何类似的限制。我可以将最终结果乘以sum(y_real) / sum(y_predict)，但如果我不想损害个人
浏览 6提问于2018-08-08得票数 4
回答已采纳
1回答
我正在使用Keras 1.2.1、tensorflow后端和生成器开发一个回归神经网络，用于动态图像增强。
我想根据与每个图像相关联的标签来扩充我的随机数据集。
例如，在每个时期，我只想包含被标记为0.00的图像的25%。
另一方面，如果图像被标记为，比如说<= -.20，我想以某种随机量旋转/翻转/平移它。
问题是，我如何才能有选择地根据图像数据的标签对其进行扩充？
这是可能的吗？
浏览 1提问于2017-04-28得票数 0
1回答
我们目前正在使用XGBoost模型和Tweedie损失来解决一个很好的回归问题，现在我想把我们的模型转移到Keras，并体验到神经网络，有谁知道如何实现Keras的Tweedie损失呢？我只关心p=1.5时的实例，这在XGBoost中给了我们最好的结果。
谢谢
浏览 0提问于2019-07-09得票数 4
回答已采纳
3回答
我是机器学习和堆栈溢出的新手，我试图从我的回归模型中解释两个图。
我的情况类似于这个家伙，但我的MSE和RMSE非常高。
我的模特不合身吗？如果是，我能做些什么来解决这个问题？
这是我用来解决回归问题的神经网络
def build_model():
model = keras.Sequential([
layers.Dense(128, activation=tf.nn.relu, input_shape=[len(train_dataset.keys())]),
layers.Dense(64, activation=tf.nn.relu),
layers.Dens
浏览 0提问于2019-07-26得票数 2
回答已采纳
对于简单地渐进式加载图像和将迭代器传递给model.fit函数，Keras的ImageDataGenerator看起来很棒。然而，它似乎只适用于图像和分类任务。 我想做回归，也就是说，我的标签也是与训练集相同形状的数组。实际上，它们是像图像一样的多维(>1通道)数组，但它们不是图像。 关于使用哪个类来简单地将批量数据传递给keras model.fit()以训练深度神经网络，有什么建议吗？ 当然，问题是我的数据集太大，无法放入内存，这就是为什么我需要使用这些生成器/迭代器。
浏览 18提问于2020-04-10得票数 0
回答已采纳
我是卷积神经网络的新手，我有以下问题:有没有办法创建一个具有多个输出的CNN，包括10个用于分类的输出和两个用于与Pyhton中的Keras进行回归的输出？ 提前谢谢你！
浏览 23提问于2020-07-23得票数 3
回答已采纳
对于python中的Tensorflow中的多元线性回归模型，如何打印出该模型用于预测标签的方程。我目前使用的模型需要两个特性来预测一个标签，所以我认为一般的方程是，但是如何使用Tensorflow获得所有常数的未知参数和值？
代码：
fundingFeatures = fundingTrainSet.copy()
fundingLabels = fundingFeatures.pop('% of total funding spent')
fundingFeatures = np.array(fundingFeatures)
normalizer = preprocessin
浏览 1提问于2020-12-27得票数 0
回答已采纳
我是这个深度学习领域的初学者。我试图在回归问题中使用Keras作为LSTM。我想要建立一个ANN，它可以利用记忆细胞之间的一个预测和下一个预测。
更多细节..。我有一个神经网络(Keras)，它有两个隐藏层-LSTM和一个回归上下文的输出层。
batch_size等于7，timestep等于1，我有5749样本。我只想了解如果使用timestep == 1与使用MLP而不是LSTM是一回事的话。对于time_step，我指的是Keras中顺序模型输入的重塑阶段。输出是一个单一的回归。
我对以前的输入不感兴趣，但我只对网络的输出感兴趣，作为下一次预测的信息。
提前谢谢你！
浏览 0提问于2018-06-17得票数 0
1回答
在Andrew的深度学习课程中，我看到了一种在图像上定位单个对象的方法：。据我所知，例如，你可以将一个点绑定到物体的特定部分，以坐标: x，y作为标签y，并训练CNN。
我想训练一个CNN神经网络来定位我的眼睛(而不是鼓掌)。我拍了200张我的照片:60×60像素的灰度。我标出了左眼和右眼，标记眼的每个坐标被归一化为0-1.Y标签是: eye1的x，eye1的y，eye2的x，eye2的y。我使用SGD优化与mse损失和在输出层乙状结肠功能。
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.Conv2D(64, (3
浏览 0提问于2019-01-03得票数 3
我一直使用"CMU电影摘要语料库“作为我自己学习的电影类型分类，因为我是相对较新的NLP。这是一个多标签分类任务。我使用train进行字矢量化，然后将输出输入到神经网络中，但当我试图训练我的模型时，我得到了以下错误：
ValueError: logits and labels must have the same shape ((None, 1) vs (None, 363))
我读过关于StackOverflow的文章，并试图实现同样的方法，但问题仍然存在。然而，我能够训练机器学习模型使用相同的TF-以色列国防军的特点，但不能训练神经网络。
下面是代码片段：
创建TF-以色列国防军特
浏览 3提问于2021-08-16得票数 0
我有一个多标签问题，通过一些研究，我能够将Label powerset与ML算法结合使用。现在，我想使用带有神经网络的标签powerset，根据official website，我可以使用标签powerset。但是我不能理解如何修改我现有的代码来使用Label Powerset。 我想知道如何在模型的fit函数中传递epoch或batch_size或任何其他参数。 因为我有一个多标签问题，所以我使用了sklearn的MultiLabelBinarizer，所以我的每个目标行看起来像这样，1，0，1，0，0，0，0，0，0，0，0，0。 最后，如果有人能给我解释一下下面一行中的KERAS_PA
浏览 11提问于2019-06-25得票数 0
假设存在二进制分类问题和相对较小的数据集($\sim \mathbb{R}^{5000 \x39}$)。通过使用常用的ML技术，从logistic回归开始，根据模型的不同，我可以在验证样本上达到~0.76~0.79 AUC。因此，从模型中可以明显地提取出一些重要的信号。
然而，当尝试一个最简单的顺序神经网络时，它根本不学习。
也就是说，使用R：(NB: AFAIK )中的keras语言不应该是个问题，因为它只是R的包装)
model <- keras_model_sequential() %>%
layer_dense(units = 48,
浏览 0提问于2018-06-25得票数 3
3回答
任务：
我有一个包含职务和描述的数据集。任务是根据职务名称和描述来预测职务标记。
每个职务公告有几个标签。因此，该模型的标签数量将以数万个为单位。
职位公告数目= 78042
唯一类数(标签)= 1369
📷
📷
问题：
你能告诉我神经网络的工作类型(在Keras中是可取的)吗？
或者你知道如何用经典的机器学习算法来解决这个问题？
不过，我将非常感谢链接到文章，其中类似的问题得到解决。
浏览 0提问于2018-08-20得票数 9
回答已采纳
1回答
我对神经网络很陌生，所以我尝试了我的第一个神经网络，它非常接近keras学习页面的一个，如下所示：
Kindlly看了看结局，我用红色的随机图片，试图预测它作为一个袋子出来，当它在epocs=5训练时，它预测它是一只凉鞋。我的代码或标签有问题。
UPDATE --我不知道时代的重要性，所以我问了这个问题，我担心我不太适合这个模型，也不太适合火车。但没有明确的方法来做到这一点，这是所有的尝试和错误。祝好运!
浏览 0提问于2019-06-03得票数 1
回答已采纳
1回答
我上过一门关于神经网络的课程，不太明白为什么我从logistic回归和两层神经网络(输入层和输出层)中得到了不同的结果。输出层使用sigmoid激活函数。根据我所了解到的，我们可以使用神经网络中的sigmoid激活函数来计算概率。这应该是非常相似的，如果不是完全相同的逻辑回归试图完成的。然后利用梯度下降将误差降到最小。也许有一个简单的解释，但我不明白为什么准确性分数有这么大的差异。在本例中，我没有使用任何培训或测试集，只是简单的数据来演示我不理解的内容。
logistic回归的准确率为71.4%。在下面的例子中，我为'X‘和结果'y’数组创建了数字。当结果等于'1‘时，
浏览 1提问于2017-09-24得票数 10
回答已采纳
1回答
我有一个简单的回归神经网络：
from scipy.spatial.transform import Rotation as R
def nn_model(2):
in = tf.keras.layers.Input(shape=[80, 80, 3])
x = tf.keras.layers.Dense(64, activation='relu')(in)
x = tf.keras.layers.Dense(64, activation='relu')(x)
out = tf.keras.layers.Dense(1, activatio
浏览 1提问于2021-06-16得票数 0
回答已采纳
3回答
这个问题是一个多标签分类问题。
📷
现在，我知道如何使用带有多个属性的单行进行训练和分类。例如，如果数据集看起来像附加文件中的第一个表。在这里，每一行都与一个标签相关联。因此，我可以训练和测试后，将数据集分为培训和测试集。但是，当分类标签/目标标签依赖于多个行(例如附加文件中的第二个表)时，就会出现这个问题。连续N行构成一个类别。你能帮我找到解决办法吗？
是否有可能在任何现有的工具中解决这个问题？例如，使用Keras的WEKA或神经网络。
或者，我必须改变算法，以适应这个问题！有什么解决办法吗？
还是需要修改行，使其转换为一行？
浏览 0提问于2020-02-02得票数 2
我正在尝试使用Keras实现一个神经网络，其中有一个涉及多标签分类的问题。我知道，解决这个问题的一种方法是将其转换为几个二进制分类问题。我已经实现了其中的一个，但不确定如何继续其他的，主要是我如何去组合它们？我的数据集有5个输入变量和5个标签。通常，单个数据样本将具有1-2个标签。很少有两个以上的标签。 以下是我的代码(感谢machinelearningmastery.com)： import numpy
import pandas
from keras.models import Sequential
from keras.layers import Dense
from keras.wr
浏览 21提问于2019-02-17得票数 3
回答已采纳
当创建一个多目标优化/MCDM算法(如NSGA-ii )时，使用一个在监督下的表格回归预测任务上训练的深层神经网络代替一个简单的目标函数方程是否有意义？
在Keras中用model.predict()函数代替非线性方程是否可能或有利，从而能够建立更复杂的目标函数？
我在nsga-ii中使用皮莫。
浏览 0提问于2020-03-11得票数 0
我正在尝试使用keras构建一个简单的单层LSTM神经网络，它有一个带有一个神经元的Dense()输出层(用于回归)。
我知道，当我对模型进行fit()时，训练数据必须重新缩放。许多在线示例在0,1范围内重新调整输入和输出，其他在-1,1范围内。
对于像我这样的简单回归问题，重新调整输入和输出的正确选择是什么?为什么？我知道这与使用的激活函数有关，例如，sigmoid输出值在0,1范围内。
我已经看到你可以选择激活函数和循环激活。如何在keras中的LSTM()上下文中实现激活函数(例如，输入门具有“sigmoid”)？
谢谢!
浏览 0提问于2017-08-22得票数 2
1回答
我使用Keras成功地训练了一个神经网络。然而，对少数样本的预测却大错特错。现在，我想将预测限制在一个特定的间隔(例如5到10)，这是我的特定问题预测可能存在的唯一间隔。更一般地说，我想强制输出为特定分布(例如标准正态分布)。我尝试使用Keras概率分布作为函数()的Keras lambda层keras.layers.Lambda( function，output_shape=None，mask=None，arguments=None)。然而，它不是这样工作的。有没有办法将Keras回归中的预测限制在某个区间和/或分布？非常感谢!
浏览 2提问于2019-06-29得票数 1
我正在使用keras为回归任务构建一个简单的神经网络。但是，输出总是倾向于地面真实y数据的“平均值”。见第一个图，蓝色是地面真理，红色是预测值(非常接近地面真理的常量平均值)。
而且，即使我设置了一个学习epoch=100，该模型也会很早就停止学习。
任何人都有想法，在什么条件下神经网络会停止早期学习，为什么回归输出倾向于地面真理的“平均值”？
谢谢!
浏览 4提问于2016-10-05得票数 6
回答已采纳
1回答
多输出回归
、、、
在过去的几周里，我一直在关注多输出回归。我正在与科学学习包一起工作。我的机器学习问题有三个特性的输入，需要预测两个输出变量。sklearn软件包中的一些ML模型支持多输出回归。如果模型不支持这一点，可以使用sklearn多输出回归算法对其进行转换。类适合每个目标的一个回归器。
多输出回归器类或支持的多输出回归算法是否考虑到了输入变量的潜在关系？
应该使用神经网络来代替多输出回归算法吗？
浏览 0提问于2018-03-20得票数 11
2回答
用于预测的分类或回归
、、、
我想训练一个神经网络来预测输入中的类别/数字；因此映射是number->number ( input ->output)。
但在考虑数据类型和值时，我不确定是将问题视为分类问题还是回归问题。
作为示例，数据的第一行如下所示：
由于我的目标范围是0-14，我的第一种方法是将这个问题作为一个分类问题来处理，其中我将输出层的大小选择为size = 15。
这是我的神经网络模型：
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Dense, Flatten, Activation, Dr
浏览 1提问于2020-03-04得票数 0
我知道大多数人在线性回归模型上运行RFE来执行特征选择，例如，在使用Keras训练模型之前。
然而，在深层神经网络的训练过程中，是否可以这样做呢？如果是的话，怎么做？有什么坏处吗？
浏览 9提问于2022-10-12得票数 3
回答已采纳
1回答
总的来说，我对Keras是一个神经网络非常陌生。
我在想，我是否有一个点列表，，(x,y)，它来自一个类似于(ax^2+bx+c)的二次函数，它有可能吗？
把这些点输入神经网络
从网络中得到系数a,b and c作为输出？
我知道，我可以简单地使用多项式回归来实现我的目标。这不是重点。
浏览 2提问于2019-05-24得票数 0
3回答
我试图使用keras和convLSTM层来预测未来的天气数据，根据以前的天气雷达图片。
我使用I时间步骤，即我雷达图像作为输入数据。在我的图表中，我假设是i=3。这些雷达图像通过一个convLSTM角化层。convLSTM层参数需要表单的输入形状：(batch_size、时间、通道、image_height、image_width)
问题1:在keras中，convLSTM层不需要时间步长参数。因此，我假设它推断出来自input_shape的时间步数。我的理解正确吗？
在我的问题中，我想预测一下前面的j个时间步骤。因此，我的理解是，input_shape的时间参数应该等于i+j，我应该用“空白
浏览 0提问于2019-04-29得票数 1
我想构建一个神经网络，同时输出一个分类标签和一个回归值。我想使用Keras来做到这一点。现在我的代码只用于分类： mdl = Sequential()
mdl.add(Dense(100, activation='relu', input_dim=X_train.shape[1]))
mdl.add(Dense(200, activation='relu'))
mdl.add(Dense(100, activation='relu'))
mdl.add(Dense(6, activation='softmax'))
浏览 28提问于2019-02-24得票数 1
回答已采纳
1回答
我正在使用GENSIM (word2vec)训练一个单词嵌入，并在KERAS的神经网络中使用训练好的模型。当我有一个未知(词汇表外)的单词时，就会出现问题，因此神经网络不再工作，因为它无法找到该特定单词的权重。我认为解决这个问题的一种方法是将一个新单词(<unk>)添加到具有零权重(或随机权重？)的预训练单词嵌入中。哪个更好？)这种方法可以吗？此外，对于这个词嵌入，权重在这个神经网络中是不可训练的。
浏览 18提问于2020-12-19得票数 1
1回答
发现损失不够好
、、、
我试图使用神经网络来预测包含24个不同特性的输入中的两个不同的值。到目前为止，我得到的结果还不够好，所以任何建议都会受到赞赏，因为我已经被困了一段时间了。这就是我到目前为止所做的：
输入数据：
我有一个包含24个不同特性的输入(整个数据集大约有15万个实例)。因此，我试图标准化我的输入，规范化它，日志转换它，并使用PCA来降低问题的维数。其中，PCA被证明是最好的解决方案(使用前5个主成分)。
为了确保输入是重要的，我已经做了一个快速拟合使用一个随机森林回归和一个额外的特雷斯回归，以计算每个功能的重要性(在执行PCA之后)。与随机特征相比，所有正在使用的特征对于模型来说都是足够重要的。
神经网
浏览 0提问于2021-04-24得票数 1
我构建了一个没有激活函数的神经网络，因此，它是一个线性回归模型： def build_model():
model = tf.keras.models.Sequential([
tf.keras.layers.Input(shape=(1,)),
tf.keras.layers.Dense(1)
])
model.compile(optimizer='adam', loss='mse',metrics=['mae','mse','mape',coeff_determination])
浏览 208提问于2020-04-05得票数 0
1回答
我一次要预测多个类，所以我把这个问题看作是二进制标签/类的非线性回归，作为真正的输出。
也就是说，损失函数是每个标签的日志损失之和，然后对批处理中的每个示例进行平均。这是我的损失函数：
prediction = tf.sigmoid(hidden_out) # Prediction output, from 0.0 to 1.0
# Avoid infinite gradients for extreme cases
# by remapping the prediction from 0.005 to 0.995:
pred = prediction*0.99+0.005
# Log
浏览 2提问于2016-11-24得票数 1
回答已采纳
我正在尝试训练一个有监督的神经网络，有大量的数据(假设超过1000个mio样本)。 神经网络应该解决一个回归问题；它接受4个输入数值，然后预测一个数值。这些值在0和1之间缩放。 训练集中的每个样本如下所示： Input-set->
[
[0.47860402, 0.31794003, 0.00013333333, 0.00026666667],
[0.47860357, 0.31794018, 0.00013333333, 0.00026666667],
…
[0.47859928, 0.317943, 0.00013333333, 0.00026666667]
]
Outp
浏览 65提问于2021-02-03得票数 0
回答已采纳
我想计算一个符合y= f(X)的回归器f()，其中y具有形状标签，即不同属性的n_outputs组件/标签，而不是传统的形状(n_samples, n_outputs)
可以处理后一种情况。它有能力处理前者吗？
显然，我可以堆叠第三维的列，这样y就有了形状n_samples, n_attribs x n_outputs，但为了更好地理解，我想保留原来的形状。
是否仍然可以使用sklearn执行回归？我是否应该查看其他包，如Tensorflow/keras？
谢谢，E CM
浏览 2提问于2020-12-11得票数 1
2回答
分类:类中的倾斜数据
、、、、
我试图建立一个多标签分类器来预测一些输入数据的概率为0或1。我使用神经网络和Tensorflow + Keras (可能稍后是CNN )。
问题是:数据高度倾斜。负数比正数多，可能是90:10。因此，我的神经网络几乎总是输出非常低概率的正例子。在大多数情况下，使用二进制数可以预测0。
几乎所有类的性能都在95%以上，但这是因为它几乎总是预测为零。因此，假阴性的数量很高。
关于如何解决这个问题的一些建议？
以下是我迄今考虑过的一些想法：
使用自定义的丢失函数更多地惩罚假负片(我的第一次尝试失败)。类似于类的加权，一个类内的正例子比负的多。这类似于类的权重，但在类内。您将如何在Keras中实现
浏览 0提问于2018-02-20得票数 8
1回答
我在用tf-keras训练神经网络。它是一种多标签分类，其中每个样本属于多个类1,0,1,0..etc。最后一个模型行(只是为了清楚起见)是：
model.add(tf.keras.layers.Dense(9, activation='sigmoid'))#final layer
model.compile(loss='binary_crossentropy', optimizer=optimizer,
metrics=[tf.keras.metrics.BinaryAccuracy(),
浏览 0提问于2021-07-14得票数 5
回答已采纳
我第一次尝试在Python/Keras神经网络回归程序上使用TensorBoard。它工作得很好，但是“图形”输出太大了，以至于在窗口中无法读取。尝试通常的“窗口拖动”来放大，结果是窗口移动而不是缩放。我在Chrome浏览器中调用localhost:6006。有什么建议吗？
浏览 2提问于2018-06-20得票数 2
1回答
我有一个带有SeqSelfAttention (https://pypi.org/project/keras-self-attention/)的神经网络。此外，我还为F1实现了一个自定义度量。然后，我没有问题地保存了模型，但是当使用keras.models.load_model(model_path，model_path)加载模型时
给出了下一个误差: ValueError:未知度量函数: f1
如果我使用F1度量as: saved_model = load_model(Modelfilename，custom_objects={"f1"：f1})编码
错误说：
ValueEr
浏览 0提问于2020-08-21得票数 0
1回答
我希望为Keras模型设计一个自定义丢失函数。模型本身就是接受一组图像的神经网络，它应该运行一个回归来获得一个输出，这是一个值。由于问题的物理条件，我需要增加一个正则化项来计算cos(y_{pred})*f(X_i)，其中y_{pred}是神经网络的输出，X_i是计算y_{pred}的训练示例，f是根据图像计算值的函数。
我的问题是如何从模型中获取X_i？损失函数应该只接受两个输入：y_{pred}和y_{true}，它们是张量。
浏览 0提问于2019-11-04得票数 1
1回答
我有一个具有数字特征和标签的数据集。我正在使用TensorFlow (TFF)构建一个联邦学习模型。基本上，我所拥有的模型是(神经网络)，它总是在TFF教程中解释。我想问，是否有机会为本地客户建立另一个模型，例如支持向量机？因为它适合我的数据集。
我的神经网络：
def create_keras_model():
initializer = tf.keras.initializers.Zeros()
return tf.keras.models.Sequential([
tf.keras.layers.Input(shape=(18,)),
tf.keras.l
浏览 5提问于2022-06-06得票数 0
回答已采纳
1回答
我有一个由句子和相应的多个标签组成的数据集(例如，一个句子可以属于多个标签)。采用卷积神经网络和递归神经网络相结合的语言模型(Word2Vec)，可以达到较好的精度。但是，它/太/擅长对输出进行建模，因为很多标签可以说是错误的，因此输出也是错误的。这意味着评估(即使是正规化和辍学)会给人一种错误的印象，因为我没有任何根据。清理标签将是非常昂贵的。所以我不得不去探索“去噪”标签。我看过像这样的东西，但是它们假设要学习一些关于输出的噪声协方差矩阵，我不知道如何在Keras中这样做。
以前是否有人处理过多标签文本分类设置中的噪声标签问题(理想情况下使用Keras或类似的方法)，并对如何学习带有噪声标
浏览 2提问于2016-10-12得票数 5
回答已采纳
1回答
如何创建用于回归的神经网络？
、、、、
我正在尝试使用Keras来构建一个神经网络。我使用的数据是。我的代码如下：
import numpy as np
from keras.layers import Dense, Activation
from keras.models import Sequential
from sklearn.model_selection import train_test_split
data = np.genfromtxt(r"""file location""", delimiter=',')
model = Sequential(
浏览 3提问于2018-02-27得票数 14
回答已采纳
3回答
绘制回归模型结果的R平方误差图
、、、、
我使用keras实现了一个回归神经网络，我正在尝试绘制结果图。
plt.plot(Y_test, Y_pred, 'ro')
plt.xlabel('Actual values')
plt.ylabel('Predicted values')
plt.show()
但我需要在我的图中添加拟合直线，如下图所示。你能帮个忙吗。
浏览 0提问于2018-07-10得票数 0
1回答
我正在对以下数据进行回归，以预测白葡萄酒的质量
数据集链接：https://archive.ics.uci.edu/ml/datasets/wine+quality
数据csv名称: winequality-white.csv e.csv
特点:1-固定酸度，2-挥发性酸度，3-柠檬酸，4-残糖，5-氯化物，6-无二氧化硫，7-总二氧化硫，8-密度，9- pH,10 -硫酸盐，11-酒精。
目标变量:质量
测试拆分: 33%
模型一：
随机森林回归科学工具-学习实现
预处理:滑雪板标准定标器(尽管RFR不需要)
超视距：‘rf_regr_m_max_特点’：'auto'，‘rf
浏览 0提问于2022-04-14得票数 1
我想用keras从X_train -> Y_train建立一个神经网络回归模型。但是，在本例中，我需要对输入和输出执行预处理转换。所以模型需要
X_train ->(preproc) X_hat ->(model) -> Y_hat <-(preproc) Y_train
使用keras的预处理层对输入进行预处理是简单的，但它不适用于输出。我可以使用TargetTransformRegressor在sklearn中做到这一点，但是我不知道在keras中有类似的东西。我最好的猜测是，我需要创建一个自定义模型来执行这个预处理、拟合和预测。有什么想法吗？
浏览 9提问于2022-03-08得票数 0
1回答
我是机器学习的初学者，目前正在学习神经网络的基础知识。在我看到的一个例子中，神经网络的最后一层恰好是
keras.layers.Dense(10, activation="softmax"),
因此，该层的输出是--一个数组，其值对应于多类问题中10个类的每个类的类概率。但是，原始数据集中的类标签仅为0-9的整数值.我的问题是，我的神经网络是否会自动在其输出中执行argmax，以确定训练期间要与之比较的标签？有什么方法可以让我明确地知道我的神经网络所做的“隐式”操作？谢谢!
浏览 3提问于2020-04-15得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
