Je travaille sur la recherche, là où le besoin de classer l' un des trois cas GAGNANT = ( win
, draw
, lose
)
WINNER LEAGUE HOME AWAY MATCH_HOME MATCH_DRAW MATCH_AWAY MATCH_U2_50 MATCH_O2_50
3 13 550 571 1.86 3.34 4.23 1.66 2.11
3 7 322 334 7.55 4.1 1.4 2.17 1.61
Mon modèle actuel est:
def build_model(input_dim, output_classes):
model = Sequential()
model.add(Dense(input_dim=input_dim, output_dim=12, activation=relu))
model.add(Dropout(0.5))
model.add(Dense(output_dim=output_classes, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adadelta')
return model
- Je ne suis pas sûr que ce soit le bon pour la classification multi-classes
- Quelle est la meilleure configuration pour la classification binaire?
EDIT: # 2 - Comme ça?
model.add(Dense(input_dim=input_dim, output_dim=12, activation='sigmoid'))
model.add(Dropout(0.5))
model.add(Dense(output_dim=output_classes, activation='softmax'))
model.compile(loss='binary_crossentropy', optimizer='adadelta')
architecture
de couches principalement. Un conseil pour ma question # 2?
activation='sigmoid'
etloss='binary_crossentropy'
activation='sigmoid'
dans la couche de sortie . La couche cachée peut rester comme 'relu'
vous le souhaitez (même si je commencerais probablement 'tanh'
par ce problème, c'est une préférence personnelle avec très peu de soutien de la théorie)
activation='softmax'
et au choix de compilationloss='categorical_crossentropy'
? OMI, vos choix sont bons pour un modèle de prédire plusieurs classes mutuellement exclusives. Si vous voulez des conseils sur l'ensemble du modèle, c'est tout à fait différent, et vous devriez expliquer davantage vos préoccupations, sinon il y a trop à expliquer dans une seule réponse.