বহু শ্রেণীর শ্রেণিবিন্যাসের জন্য সেরা কেরাস মডেল কী?


30

আমি গবেষণা, কাজ করছি যেখানে তিনটি ঘটনা বিজয়ী শ্রেণীভুক্ত এক করার প্রয়োজনীয়তা = ( win, draw, lose)

WINNER  LEAGUE  HOME    AWAY    MATCH_HOME  MATCH_DRAW  MATCH_AWAY  MATCH_U2_50 MATCH_O2_50
3         13    550      571          1.86        3.34        4.23       1.66     2.11
3         7     322     334           7.55         4.1         1.4       2.17     1.61

আমার বর্তমান মডেলটি হ'ল:

def build_model(input_dim, output_classes):
    model = Sequential()
    model.add(Dense(input_dim=input_dim, output_dim=12, activation=relu))
    model.add(Dropout(0.5))
    model.add(Dense(output_dim=output_classes, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='adadelta')
    return model
  1. আমি নিশ্চিত নই যে এটি বহু শ্রেণীর শ্রেণিবিন্যাসের জন্য সঠিক
  2. বাইনারি শ্রেণিবদ্ধকরণের জন্য সেরা সেটআপ কী?

সম্পাদনা: # 2 - এর মতো?

model.add(Dense(input_dim=input_dim, output_dim=12, activation='sigmoid'))
model.add(Dropout(0.5))
model.add(Dense(output_dim=output_classes, activation='softmax'))
model.compile(loss='binary_crossentropy', optimizer='adadelta')

1
আপনি কি "মডেল" বলতে চান, বা কেবল সর্বশেষ স্তরের activation='softmax'পছন্দ এবং সংকলন পছন্দটি উল্লেখ করছেন loss='categorical_crossentropy'? আইএমও, এর জন্য আপনার পছন্দগুলি একাধিক পারস্পরিক-এক্সক্লুসিভ শ্রেণীর পূর্বাভাস দেওয়ার জন্য কোনও মডেলের পক্ষে ভাল। আপনি যদি পুরো মডেলটির বিষয়ে পরামর্শ চান তবে এটি একেবারেই আলাদা এবং আপনার উদ্বেগগুলি কী তা সম্পর্কে আপনাকে আরও ব্যাখ্যা করা উচিত, অন্যথায় একক উত্তরে ব্যাখ্যা করার মতো অনেক কিছুই রয়েছে।
নীল স্লেটার

আমি বলতে চাই architecture প্রায়শই স্তর । আমার প্রশ্ন # 2 জন্য কোন পরামর্শ?
স্প্যানিশবয়

1
আর্কিটেকচারটি নির্মাণের খুব কমই একটি "সঠিক" উপায় রয়েছে, এটি এমন কিছু হওয়া উচিত যা আপনি বিভিন্ন মেটা-প্যারাম দিয়ে পরীক্ষা করেন এবং ফলাফল চালিত হওয়া উচিত (প্রশিক্ষণের সময় / স্মৃতি ব্যবহার ইত্যাদির জন্য আপনার রিসোর্সের ব্যবহারে যে কোনও সীমা থাকতে পারে সেগুলি সহ)। # 2 এর জন্য আপনার কাছে এখনকার মতোই সফটম্যাক্সের সাথে দুটি আউটপুট থাকতে পারে, অথবা একটি আউটপুট সহ আপনার আউটপুট স্তর থাকতে পারে, activation='sigmoid'এবংloss='binary_crossentropy'
নীল স্লেটার

activation='sigmoid'মধ্যে আউটপুট স্তর। লুকানো স্তরটি 'relu'আপনার পছন্দ মতোই থাকতে পারে (যদিও আমি সম্ভবত 'tanh'এই সমস্যার জন্যই শুরু করব , এটি তত্ত্বের খুব সামান্য সমর্থন সহ ব্যক্তিগত পছন্দ)
নিল স্লেটার

উত্তর:


35

আপনার activation='softmax'শেষ স্তরের পছন্দগুলি এবং সংকলনের পছন্দটি loss='categorical_crossentropy'একাধিক পারস্পরিক-এক্সক্লুসিভ শ্রেণীর পূর্বাভাস দেওয়ার জন্য কোনও মডেলের পক্ষে ভাল।

আরও সাধারণ পছন্দ সম্পর্কে, স্থাপত্য নির্মাণের খুব কমই একটি "সঠিক" উপায় রয়েছে। পরিবর্তে এটি এমন কিছু হওয়া উচিত যা আপনি বিভিন্ন মেটা-প্যারামের (যেমন স্তর আকার, স্তরগুলির সংখ্যা, ড্রপ আউটের পরিমাণ) দিয়ে পরীক্ষা করেন এবং ফলাফল চালিত হওয়া উচিত (প্রশিক্ষণের সময় / মেমরির জন্য আপনার রিসোর্সের ব্যবহারে যে কোনও সীমা থাকতে পারে সেগুলি সহ) ব্যবহার ইত্যাদি)।

একটি উপযুক্ত আর্কিটেকচার চয়ন করতে ক্রস-বৈধতা সেট ব্যবহার করুন। একবার হয়ে গেলে, আপনার মডেলের সাধারণ পারফরম্যান্সটির আরও সঠিক পরিমাপ পেতে আপনার পৃথক পরীক্ষার সেট ব্যবহার করা উচিত। আপনার প্রশিক্ষণ সেট থেকে পৃথক করে রাখা সিভি সেট থেকে আলাদা করা ডেটা এর জন্য ব্যবহার করা উচিত। আপনার কাছে কতটা ডেটা থাকবে এবং আপনার চূড়ান্ত চূড়ান্ত চিত্রের রিপোর্ট করা কতটা দরকার তার উপর নির্ভর করে একটি যুক্তিসঙ্গত বিভাজন 60/20/20 ট্রেন / সিভি / পরীক্ষা হতে পারে।

প্রশ্ন # 2 জন্য, আপনি হয় একটি softmax চূড়ান্ত অনুরূপ দুটি আউটপুট এখন থাকতে পারে, অথবা আপনি থাকতে পারে চূড়ান্ত এক আউটপুট স্তর, activation='sigmoid'এবং loss='binary_crossentropy'

এই ডেটা দিয়ে কী কাজ করতে পারে তা থেকে নিখুঁতভাবে অন্ত্র অনুভূতি থেকে, আমি পরিবর্তে লুকানো স্তরটিতে চেষ্টা 'tanh'বা 'sigmoid'সক্রিয়করণের পরামর্শ দেব'relu' পরামর্শ দেব এবং আমি লুকানো নিউরনের সংখ্যা বৃদ্ধি করা (উদাহরণস্বরূপ 100) এবং ড্রপআউটের পরিমাণ হ্রাস করার পরামর্শ দিচ্ছি ( যেমন 0.2)। ক্যাভেট: নিউরাল নেটওয়ার্ক আর্কিটেকচারে অন্ত্রে অনুভূতি বৈজ্ঞানিক নয়। এটি ব্যবহার করে দেখুন এবং পরীক্ষা করুন।

আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.