Je regarde ce réseau neuronal très basique de https://machinelearningmastery.com/tutorial-first-neural-network-python-keras/. J'ai remplacé les données utilisées avec juste un tableau aléatoire de nombres et d'étiquettes aléatoires.Prédictions neuronales de base de base?
Je suppose que l'entrée est aléatoire, les prédictions devraient être autour de 0,50, plus ou moins un peu. Cependant, quand je fais cela, je reçois
[0.49525392, 0.49652839, 0.49729034, 0.49670222, 0.49342978, 0.49490061, 0.49570397, 0.4962129, 0.49774086, 0.49475089, 0.4958384, 0.49506786, 0.49696651, 0.49869373, 0.49537542, 0.49613148, 0.49636957, 0.49723724]
qui est d'environ 0,50, mais ne dépasse jamais. Il le fait pour n'importe quelle graine aléatoire que j'utilise, donc ce n'est pas juste une coïncidence, non plus. Des explications pour ce comportement?
# Create first network with Keras
from keras.models import Sequential
from keras.layers import Dense
import numpy as np
np.random.seed(90)
X_train = np.random.rand(18,61250)
X_test = np.random.rand(18,61250)
Y_train = np.array([0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0, 0.0, 1.0,
0.0, 1.0, 0.0, 0.0, 1.0, 0.0, 0.0, 0.0, 1.0,])
Y_test = np.array([1.0, 0.0, 0.0, 1.0, 1.0, 0.0, 1.0, 1.0, 1.0,
1.0, 0.0, 0.0, 0.0, 1.0, 0.0, 0.0, 1.0, 0.0,])
_, input_size = X_train.shape
# create model
model = Sequential()
model.add(Dense(12, input_dim=input_size, init='uniform', activation='relu'))
model.add(Dense(8, init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='sigmoid'))
# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# calculate predictions
predictions = model.predict(X_test)
preds = [x[0] for x in predictions]
print(preds)
# Fit the model
model.fit(X_train, Y_train, epochs=100, batch_size=10, verbose=2, validation_data=(X_test,Y_test))
Merci! J'ai remarqué que le filet était parfois supérieur à 50%, mais je me suis dit que je faisais quelque chose pour le faire pencher d'un côté. Faire des prédictions après l'entraînement a plus de sens. – quil