Подтвердить что ты не робот

Keras - Точная тренировка, проверка и точность теста

Я хочу построить вывод этой простой нейронной сети:

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
history = model.fit(x_test, y_test, nb_epoch=10, validation_split=0.2, shuffle=True)

model.test_on_batch(x_test, y_test)
model.metrics_names

Я построил точность и потерю обучения и проверки:

print(history.history.keys())
#  "Accuracy"
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'validation'], loc='upper left')
plt.show()
# "Loss"
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'validation'], loc='upper left')
plt.show()

Теперь я хочу добавить и установить точность тестового набора из model.test_on_batch(x_test, y_test), но из model.metrics_names я получаю то же значение "acc", которое используется для построения точности данных обучения plt.plot(history.history['acc']). Как я могу настроить точность тестового набора?

4b9b3361

ОТВЕТЫ

Ответ 1

Это то же самое, потому что вы тренируетесь на тестовом наборе, а не на наборе поездов. Не делайте этого, просто тренируйтесь на тренировочном наборе:

history = model.fit(x_test, y_test, nb_epoch=10, validation_split=0.2, shuffle=True)

Изменить на:

history = model.fit(x_train, y_train, nb_epoch=10, validation_split=0.2, shuffle=True)

Ответ 2

Подтвердите модель на данных испытаний, как показано ниже, а затем нанесите на график точность и потери

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
history = model.fit(X_train, y_train, nb_epoch=10, validation_data=(X_test, y_test), shuffle=True)

Ответ 3

import keras
from matplotlib import pyplot as plt
history = model1.fit(train_x, train_y,validation_split = 0.1, epochs=50, batch_size=4)
plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'val'], loc='upper left')
plt.show()

Model Accuracy

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'val'], loc='upper left')
plt.show()

Model Loss