Настройка гиперпараметра в Keras (MLP) с помощью RandomizedSearchCV - PullRequest
Новая
       49

Настройка гиперпараметра в Keras (MLP) с помощью RandomizedSearchCV

0 голосов
/ 13 апреля 2019

Я уже некоторое время пытаюсь настроить нейронную сеть, но, к сожалению, я не могу получить от нее хорошую производительность. У меня есть набор данных временных рядов, и я использую RandomizedSearchCV для двоичной классификации. Мой код ниже. Любые предложения или помощь будут оценены. Одна вещь, которую я все еще пытаюсь выяснить, как включить, - ранняя остановка.

РЕДАКТИРОВАТЬ: Забыл добавить, что я измеряю производительность на основе метрики макроса F1, и я не могу получить оценку выше, чем 0,68. Еще одна вещь, которую я заметил, это то, что чем больше параметров я пытаюсь оценить одновременно (увеличиваю свою сетку), тем хуже моя оценка. 

train_size = int(0.70*X.shape[0])
X_train, X_test, y_train, y_test = X[0:train_size], X[train_size:],y[0:train_size], y[train_size:]


from numpy.random import seed
seed(3)
from tensorflow import set_random_seed
set_random_seed(4)

from imblearn.pipeline import Pipeline

def create_model(activation_1='relu', activation_2='relu', 
                 neurons_input = 1, neurons_hidden_1=1,
                 optimizer='adam',
                 input_shape=(X_train.shape[1],)):

  model = Sequential()
  model.add(Dense(neurons_input, activation=activation_1, input_shape=input_shape, kernel_initializer='random_uniform'))

  model.add(Dense(neurons_hidden_1, activation=activation_2, kernel_initializer='random_uniform'))


  model.add(Dense(2, activation='sigmoid'))

  model.compile (loss = 'sparse_categorical_crossentropy', optimizer=optimizer)
  return model


clf=KerasClassifier(build_fn=create_model, verbose=0)

param_grid = {
    'clf__neurons_input':[5, 10, 15, 20, 25, 30, 35],
    'clf__neurons_hidden_1':[5, 10, 15, 20, 25, 30, 35],
    'clf__optimizer': ['Adam', 'Adamax','Adadelta'],
    'clf__activation_1': ['softmax', 'softplus', 'softsign', 'relu', 'tanh', 'sigmoid', 'hard_sigmoid', 'linear'],
    'clf__activation_2': ['softmax', 'softplus', 'softsign', 'relu', 'tanh', 'sigmoid', 'hard_sigmoid', 'linear'],
    'clf__batch_size': [40,60,80,100]}


pipe = Pipeline([
    ('oversample', SMOTE(random_state=12)),
    ('clf', clf)
    ])

my_cv = TimeSeriesSplit(n_splits=5).split(X_train)

rs_keras = RandomizedSearchCV(pipe, param_grid, cv=my_cv, scoring='f1_macro', refit='f1_macro', verbose=3, n_jobs=1,random_state=42)
rs_keras.fit(X_train, y_train)

print("Best: %f using %s" % (rs_keras.best_score_, rs_keras.best_params_))

from sklearn.metrics import classification_report, confusion_matrix
y_pred=rs_keras.predict(X_test)
clfreport = classification_report(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred)
print (clfreport)
print (cm)
scores_test = rs_keras.score(X_test,y_test)
print ("Testing:", scores_test)

Мои оценки enter image description here

1 Ответ

0 голосов
/ 18 апреля 2019

О EarlyStopping, 

clf=KerasClassifier(build_fn=create_model, verbose=0)

stop = EarlyStopping(monitor='your_metric', min_delta=0, 
                         patience=5, verbose=1, mode='auto',
                         baseline=None, restore_best_weights=True)
.
.
.
grid.fit(x_train_sc, y_train_sc, callbacks = [stop])

Должно работать.(Я проверил это без структуры конвейера.)

Кстати, когда я пытался использовать свой набор данных со структурой конвейера, он действовал не так, как я думал.В моем случае я пытался выполнить StandardScale для данных, но gridsearch не масштабировал данные в первую очередь, поэтому он вошел в классификатор без масштабирования.Это было проблемой для меня.

Я предлагаю вам преобразовать данные перед gridsearch и попробуйте без конвейера.Я знаю о проблемах утечки данных, но не мог найти другого пути.

...