keras模型的准确性没有提高

我正在尝试训练希格斯玻色子挑战卡格尔的数据模型.我决定做的第一件事就是创建一个简单的keras模型.我尝试了不同数量和宽度的层,不同的成本函数,不同的优化器在神经元中的不同功能,但训练集的准确度始终在0.65-0.7范围之间.我真的不明白为什么.这是我的一个模型的例子,它非常奇怪:

from keras.layers import Dense, merge, Activation, Dropout
from keras.models import Model
from keras.models import Sequential
from keras.optimizers import SGD

model = Sequential()
model.add(Dense(600, input_shape=(30,),activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(400, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(100, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
sgd = SGD(lr=0.01, decay=1e-6)
model.compile(optimizer='rmsprop',loss='binary_crossentropy',metrics=['accuracy'])
model.fit(train,labels,nb_epoch=1,batch_size=1)

我也试过更大的模型,也得到了这样的准确性.请告诉我我做错了什么.

编辑

我尝试用100个时期训练这个模型,批量大小为0到100,并且损失等于4.9528,准确度再次为0.6924.每个例子总是输出零.

问题来自于您的模型总是输出大多数类.这不是加权问题(其中一个类看起来比另一个更多)并且您的网络似乎"学会"始终输出相同的类.

尝试使用不同的分类器(例如随机森林),你会发现准确性要好得多.

from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier()
rf.fit(X_train, y_train)

当试图解决神经网络的问题时,我使用SMOTE来平衡火车数据集.您应该使用"adam"作为分类的优化程序.此外,一个小得多的网络架构应该足以解决这个问题.

from keras.layers import Dense, Dropout
from keras.models import Sequential
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from imblearn.over_sampling import SMOTE

df = pd.read_csv("training.csv")
y = np.array(df['Label'].apply(lambda x: 0 if x=='s' else 1))
X = np.array(df.drop(["EventId","Label"], axis=1))
sm = SMOTE()

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
X_res, y_res = sm.fit_sample(X_train, y_train)

model = Sequential()
model.add(Dense(25, input_shape=(31,),activation="relu"))
model.add(Dropout(0.5))
model.add(Dense(10, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer="adam",loss='binary_crossentropy',metrics=['accuracy'])
model.fit(X_res, y_res,validation_data=(X_test, y_test),nb_epoch=100,batch_size=100)

一个例子结果:

    Epoch 11/100
230546/230546 [==============================] - 5s - loss: 0.5146 - acc: 0.7547 - val_loss: 0.3365 - val_acc: 0.9138
Epoch 12/100
230546/230546 [==============================] - 5s - loss: 0.4740 - acc: 0.7857 - val_loss: 0.3033 - val_acc: 0.9270
Epoch 13/100
230546/230546 [==============================] - 5s - loss: 0.4171 - acc: 0.8295 - val_loss: 0.2821 - val_acc: 0.9195