首先，我按照教程中編碼的示例進行操作并創建以下代碼：import numpy as npimport pandas as pdimport tensorflow as tffrom tensorflow import feature_columnfrom tensorflow.keras import layersfrom sklearn.model_selection import train_test_splitURL = 'https://storage.googleapis.com/applied-dl/heart.csv'dataframe = pd.read_csv(URL)dataframe.head()train, test = train_test_split(dataframe, test_size=0.2)train, val = train_test_split(train, test_size=0.2)def df_to_dataset(dataframe, shuffle=True, batch_size=32): dataframe = dataframe.copy() labels = dataframe.pop('target') ds = tf.data.Dataset.from_tensor_slices((dict(dataframe), labels)) if shuffle: ds = ds.shuffle(buffer_size=len(dataframe)) ds = ds.batch(batch_size) return dsbatch_size = 32train_ds = df_to_dataset(train, batch_size=batch_size)val_ds = df_to_dataset(val, shuffle=False, batch_size=batch_size)test_ds = df_to_dataset(test, shuffle=False, batch_size=batch_size)feature_columns = []age = feature_column.numeric_column("age")# numeric colsfor header in ['age', 'trestbps', 'chol', 'thalach', 'oldpeak', 'slope', 'ca']: feature_columns.append(feature_column.numeric_column(header))# bucketized colsage_buckets = feature_column.bucketized_column(age, boundaries=[18, 25, 30, 35, 40, 45, 50, 55, 60, 65])feature_columns.append(age_buckets)# indicator colsthal = feature_column.categorical_column_with_vocabulary_list( 'thal', ['fixed', 'normal', 'reversible'])thal_one_hot = feature_column.indicator_column(thal)feature_columns.append(thal_one_hot)# embedding colsthal_embedding = feature_column.embedding_column(thal, dimension=8)feature_columns.append(thal_embedding)我的問題是我應該使用什么方法將浮點數結果轉換為二進制（0或1）并比較目標？我的最終目標是獲得通過評估方法獲得的精度值0.6885246。
1 回答
紅顏莎娜
TA貢獻1842條經驗 獲得超13個贊
我對Tensorflow教程中最近的這種方式感到非常驚訝，在模型的最后一層（）中使用線性激活函數來分類問題，然后在損失函數中要求。我想原因是它可能會導致更好的數字穩定性，如文檔中所聲稱的那樣：Dense(1)from_logits=True
from_logits：是否解釋為對數值的張量。默認情況下，我們假設 包含概率（即 [0， 1] 中的值）。注意：使用可能數值更穩定。y_predy_predfrom_logits=True
其中 “by defaul” 表示此處損失函數參數的默認值為 。from_logits=False
無論如何，您最終得到了對logits的預測，而不是概率，就像迄今為止在類似教程（和實踐中）中通常的情況一樣。Logits的問題在于它們缺乏直觀的解釋，與概率預測相反。
你應該做的是從sigmoid函數傳遞你的logits，將它們轉換為概率：
import numpy as np
def sigmoid(x):
return 1 / (1 + np.exp(-x))
前四個預測的示例：
preds = np.array([-1.7059733, -0.914219, 2.6422875, -0.50430596])
sigmoid(preds)
# array([0.15368673, 0.28613728, 0.93353404, 0.37652929])
然后將它們轉換為閾值為0.5的“硬”預測：
final_preds = [1 if x>0.5 else 0 for x in preds]
final_preds
# [0, 0, 1, 0]
在這種形式下，你可以將它們與基本事實進行比較。
但是，為了避免這種情況，我建議您考慮將最后一層更改為
Dense(1, activation='sigmoid')
并從損失定義中刪除該參數。這樣，就應該返回硬預測（未測試）。(from_logits=True)model.predict
添加回答
舉報
0/150
提交
取消