Создать матрицу путаницы, основанную на моей точности и точности проверки - PullRequest
Новая
       6

Создать матрицу путаницы, основанную на моей точности и точности проверки

0 голосов
/ 01 апреля 2020

Я пытаюсь создать путаницу после подгонки модели и тренировки данных в формате маринада. Однако я получаю сообщение об ошибке continuous is not supported, и я не уверен, почему это так.

Здесь загружаются данные: 

# for reproducibility
np.random.seed(1337)

#LOAD THE PICKLE DATA
name = '2f3stest1top'
# open a file, where you stored the pickled data
xfile = open('X_'+name, 'rb')
yfile = open('Y_'+name, 'rb')

# dump information to that file
xData = pickle.load(xfile)
yData = pickle.load(yfile)

# close the file
xfile.close()
yfile.close()

#LOAD THE PICKLE DATA 1
name1 = '2f3stest2top'
# open a file, where you stored the pickled data
xfile1 = open('X_'+name1, 'rb')
yfile1 = open('Y_'+name1, 'rb')

# dump information to that file
xData1 = pickle.load(xfile1)
yData1 = pickle.load(yfile1)

# close the file
xfile1.close()
yfile1.close()

# convert list array to numpy array have shapes
train_X = np.array(xData)
train_Y = np.array(yData)

test_X = np.array(xData1)
test_Y = np.array(yData1)

Вот код для обучения модели LSTM: 

# define LSTM configuration
n_neurons = 30 #20
n_batch = 5 #len(train_X)
n_epoch = 100 #250
n_features = 4
time_step = 5

warnings.filterwarnings("ignore")
# create LSTM
model = Sequential()
model.add(LSTM(n_neurons, batch_input_shape=(n_batch, time_step, n_features), stateful=True))   #(sample, time-step, features)  n_batch
# model.add(LSTM(5)) #addition layter
model.add(Dense(1, activation='sigmoid'))
# model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])   
# model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
model.compile(loss="mean_squared_error",  optimizer="rmsprop", metrics=['accuracy'])


    start = time.time()

    # train LSTM
    epochs = 1 # default 1
    print('Training')

    history = model.fit(train_X, train_Y, epochs=n_epoch, batch_size=n_batch, verbose=1, callbacks=[EarlyStopping(monitor='loss', patience=5)] , validation_data=(test_X, test_Y), shuffle=False)  # n_batch ,callbacks=[EarlyStopping(monitor='loss', patience=10)] ,validation_data=(test_X, test_Y),
    model.reset_states()
    #   model.fit(train_X1, train_Y1, epochs=1, batch_size=n_batch, verbose=0, shuffle=False)
    #   model.reset_states()

    print('Predicting')
    predicted_stateful = model.predict(test_X, batch_size=n_batch)
    # model.predict(train_X,batch_size=5)#n_batch

    end = time.time()
    print("Time Took :{:3.2f} min".format( (end-start)/60 ))

Здесь я сохраняю Точность обучения и значения потерь: 

history_dict = history.history
loss_values = history_dict['loss']
val_loss_values = history_dict['val_loss']

acc_values = history_dict['acc']
val_acc_values = history_dict['val_acc']

epochs = range(1, len(loss_values) + 1)

Вот оценка модели: 

test_loss, test_acc = model.evaluate (test_X, test_Y, batch_size = n_batch)
print('\ntest_acc:', test_acc)

А вот как далеко я продвинулась с моей матрицей путаницы: 

#Confusion Matrix
from sklearn.metrics import confusion_matrix 
from sklearn.metrics import accuracy_score 
from sklearn.metrics import classification_report 

conf_mat = confusion_matrix(acc_values, val_acc_values)
print(conf_mat)

Любая помощь или совет будут высоко оценены

Ответы [ 2 ]

0 голосов
/ 01 апреля 2020

Вы делаете классификацию или регресс? Если вы делаете регрессию, то вы не можете использовать матрицу путаницы. Если вы выполняете регрессию, вам нужно выбрать другие метрики для оценки вашей модели.

Кроме того, вы используете свою точность для создания матрицы путаницы. Вам нужно использовать свои метки и прогнозы для создания матрицы путаницы - если это проблема классификации

Чтобы создать матрицу путаницы, все, что вам нужно сделать, это ниже (предположим - у вас есть классификация по нескольким меткам) 

from sklearn.metrics import confusion_matrix
confusion_matrix(y_actual, y_pred, labels=labels)
0 голосов
/ 01 апреля 2020

Для начала вы можете проверить https://keras.io/losses/ и выбрать подходящую функцию потерь для вашей проблемы. Кроме того, эта статья может быть полезна: https://machinelearningmastery.com/how-to-choose-loss-functions-when-training-deep-learning-neural-networks/

И в следующий раз, когда вы отправите вопрос, будет полезно, если вы удалите закомментированный код и опубликуете полученный результат и вывод вы ожидаете. Удачи!

...