python之为什么我的损失趋于下降，而我的准确度却趋于零

我正在尝试使用 Tensorflow/Keras 练习我的机器学习技能，但我在拟合模型方面遇到了问题。让我解释一下我做了什么以及我在哪里。

我正在使用来自 Kaggle 的 Costa Rican Household Poverty Level Prediction Challenge 的数据集

因为我只是想熟悉 Tensorflow 工作流程，所以我通过删除一些有很多缺失数据的列来清理数据集，然后用它们的平均值填充其他列。所以我的数据集中没有缺失值。

接下来，我使用来自 TF 的 make_csv_dataset 加载了新的、清理过的 csv。

batch_size = 32 
 
train_dataset = tf.data.experimental.make_csv_dataset( 
    'clean_train.csv', 
    batch_size, 
    column_names=column_names, 
    label_name=label_name, 
    num_epochs=1) 

我设置了一个函数来返回我的编译模型，如下所示:

f1_macro = tfa.metrics.F1Score(num_classes=4, average='macro') 
 
def get_compiled_model(): 
    model = tf.keras.Sequential([ 
      tf.keras.layers.Dense(512, activation=tf.nn.relu, input_shape=(137,)),  # input shape required 
      tf.keras.layers.Dense(256, activation=tf.nn.relu), 
      tf.keras.layers.Dense(4, activation=tf.nn.softmax) 
    ]) 
 
    model.compile(optimizer='adam', 
                loss='binary_crossentropy', 
                metrics=[f1_macro, 'accuracy']) 
    return model 

model = get_compiled_model() 
model.fit(train_dataset, epochs=15) 

结果如下

我笔记本的链接是Here

我应该提一下，我的实现很大程度上基于 Tensorflow 的鸢尾花数据 walkthrough

谢谢!

请您参考如下方法:

一段时间后，我找到了您代码中的问题，它们按重要性排序。 (第一个最重要)

1. 您正在进行多类分类(而不是二分类)。因此，您的损失应该是 categorical_crossentropy。

2. 您不是一次性编码您的标签。使用 binary_crossentropy 并将标签作为数字 ID 绝对不是前进的方向。相反，您应该对标签进行 onehot 编码并像解决多类分类问题一样解决这个问题。以下是您的操作方法。

def pack_features_vector(features, labels): 
    """Pack the features into a single array.""" 
    features = tf.stack(list(features.values()), axis=1) 
    return features, tf.one_hot(tf.cast(labels-1, tf.int32), depth=4) 

1. 规范化您的数据。如果你看看你的训练数据。它们没有标准化。他们的值(value)观无处不在。因此，您应该考虑通过执行以下操作来规范化数据。这仅用于演示目的。你应该阅读 Scalers在 scikit 中学习并选择最适合你的。

x = train_df[feature_names].values #returns a numpy array 
min_max_scaler = preprocessing.StandardScaler() 
x_scaled = min_max_scaler.fit_transform(x) 
train_df = pd.DataFrame(x_scaled) 

这些问题应该让您的模型直截了当。