Обучение тому, как определить лечебные годы для модели обучения ⇐ Python

[Anonymous]

Доброе утро! Недавно я посвятил себя изучению глубокого обучения с использованием Tensorflow и Keras. Я пытаюсь научить свою модель обучения, как идентифицировать лечебные годы. < /P>
Моего кода Python можно увидеть ниже: < /p>
import tensorflow as tf
import numpy as np
import calendar

# ------------------- UTILITY FUNCTIONS -------------------
def is_leap(year):
"""Checks if a year is a leap year."""
return calendar.isleap(year)

def generate_data(num_samples):
"""
Generates training data and labels. The generated data are random numbers starting from 1000.
Two types of data are returned, one for training and one for validation. Both are numpy arrays.
"""
inputs = []
outputs = []

for i in range(num_samples):
inputs.append(np.random.randint(10000, 20001))

if is_leap(inputs):
outputs.append(1)
else:
outputs.append(0)

# Lists are converted to numpy arrays.
return np.array(inputs, dtype='float32'), np.array(outputs, dtype='float32')

# ------------------- MODEL CREATION AND TRAINING -------------------
def create_model():
"""Creates a sequential Keras model."""
model = tf.keras.models.Sequential([
tf.keras.layers.Input(shape=(1,)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.layers.Dense(1, activation='sigmoid')
])
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
return model

def train_model(model, inputs, outputs, epochs=20):
"""Trains the model."""
model.fit(inputs, outputs, epochs=epochs)

# ------------------- MAIN -------------------
if __name__ == "__main__":
# Generates data for model training.
num_samples = 10000
years, results = generate_data(num_samples)

# Model creation and training.
model = create_model()
train_model(model, years, results, 60)

# Years for testing
test_years, test_results = generate_data(100)

# Gets predictions.
predictions = model.predict(test_years)

# Prints the results
print("---------- MODEL TEST ----------")

for i in range(test_years.shape[0]):
prediction = predictions[0]
prediction_01 = 1 if prediction
Я пробовал несколько различных конфигураций, но результат всегда кажется предвзятым, либо показывая, что все годы тестирования - это лепешки, либо противоположность. Вот пример вывода программы с настройками, показанными в коде: < /p>
---------- MODEL TEST ----------
[15782.0]: Prediction: 0.028894491493701935 (1), Real: 0.0
[12486.0]: Prediction: 0.056425176560878754 (1), Real: 0.0
[19711.0]: Prediction: 0.012782025150954723 (1), Real: 0.0
[11396.0]: Prediction: 0.07004968822002411 (1), Real: 1.0
[14363.0]: Prediction: 0.03863195702433586 (1), Real: 0.0
[17586.0]: Prediction: 0.01990177109837532 (1), Real: 0.0
[18930.0]: Prediction: 0.015046692453324795 (1), Real: 0.0
[10777.0]: Prediction: 0.07908520102500916 (1), Real: 0.0
[14515.0]: Prediction: 0.03745480626821518 (1), Real: 0.0
[12179.0]: Prediction: 0.059987716376781464 (1), Real: 0.0
[11645.0]: Prediction: 0.06669164448976517 (1), Real: 0.0
[13158.0]: Prediction: 0.049309246242046356 (1), Real: 0.0
[11396.0]: Prediction: 0.07004968822002411 (1), Real: 1.0
[12925.0]: Prediction: 0.0516749769449234 (1), Real: 0.0
[14807.0]: Prediction: 0.035287827253341675 (1), Real: 0.0
[15088.0]: Prediction: 0.03331705927848816 (1), Real: 1.0
[16337.0]: Prediction: 0.025773070752620697 (1), Real: 0.0
[19299.0]: Prediction: 0.013931039720773697 (1), Real: 0.0
[16406.0]: Prediction: 0.025408802554011345 (1), Real: 0.0
[13144.0]: Prediction: 0.0494486503303051 (1), Real: 1.0
[18829.0]: Prediction: 0.015366936102509499 (1), Real: 0.0
[15150.0]: Prediction: 0.03289690986275673 (1), Real: 0.0
[17999.0]: Prediction: 0.018265796825289726 (1), Real: 0.0
[11613.0]: Prediction: 0.06711487472057343 (1), Real: 0.0
[13565.0]: Prediction: 0.04542219638824463 (1), Real: 0.0
[10702.0]: Prediction: 0.0802496150135994 (1), Real: 0.0
[13246.0]: Prediction: 0.048442721366882324 (1), Real: 0.0
[18801.0]: Prediction: 0.015456832014024258 (1), Real: 0.0
[19585.0]: Prediction: 0.013123226352036 (1), Real: 0.0
[17522.0]: Prediction: 0.020168287679553032 (1), Real: 0.0
[15651.0]: Prediction: 0.029683079570531845 (1), Real: 0.0
[16680.0]: Prediction: 0.024010933935642242 (1), Real: 1.0
[15311.0]: Prediction: 0.03182867914438248 (1), Real: 0.0
[12538.0]: Prediction: 0.055841829627752304 (1), Real: 0.0
[10095.0]: Prediction: 0.09026535600423813 (1), Real: 0.0
[12790.0]: Prediction: 0.05309422314167023 (1), Real: 0.0
[16811.0]: Prediction: 0.023368824273347855 (1), Real: 0.0
[11217.0]: Prediction: 0.0725601464509964 (1), Real: 0.0
[14563.0]: Prediction: 0.03708960860967636 (1), Real: 0.0
[14162.0]: Prediction: 0.04024471715092659 (1), Real: 0.0
[12618.0]: Prediction: 0.05495523288846016 (1), Real: 0.0
[19699.0]: Prediction: 0.012814437039196491 (1), Real: 0.0
[16408.0]: Prediction: 0.02539803832769394 (1), Real: 1.0
[14447.0]: Prediction: 0.037976961582899094 (1), Real: 0.0
[15228.0]: Prediction: 0.03237523138523102 (1), Real: 1.0
[15779.0]: Prediction: 0.02891264297068119 (1), Real: 0.0
[11751.0]: Prediction: 0.06530816853046417 (1), Real: 0.0
[13550.0]: Prediction: 0.04556054621934891 (1), Real: 0.0
[11842.0]: Prediction: 0.06414111703634262 (1), Real: 0.0
[17247.0]: Prediction: 0.021351758390665054 (1), Real: 0.0
[17256.0]: Prediction: 0.021312057971954346 (1), Real: 1.0
[10513.0]: Prediction: 0.08325573056936264 (1), Real: 0.0
[15134.0]: Prediction: 0.03300463408231735 (1), Real: 0.0
[17974.0]: Prediction: 0.01836095005273819 (1), Real: 0.0
[10549.0]: Prediction: 0.08267498016357422 (1), Real: 0.0
[13928.0]: Prediction: 0.04220344498753548 (1), Real: 1.0
[16993.0]: Prediction: 0.022505149245262146 (1), Real: 0.0
[17120.0]: Prediction: 0.021921301260590553 (1), Real: 1.0
[14685.0]: Prediction: 0.03617788851261139 (1), Real: 0.0
[11489.0]: Prediction: 0.06877779960632324 (1), Real: 0.0
[17720.0]: Prediction: 0.01935615763068199 (1), Real: 1.0
[11165.0]: Prediction: 0.07330425828695297 (1), Real: 0.0
[13673.0]: Prediction: 0.0444408617913723 (1), Real: 0.0
[10098.0]: Prediction: 0.09021187573671341 (1), Real: 0.0
[13159.0]: Prediction: 0.049299370497465134 (1), Real: 0.0
[17958.0]: Prediction: 0.018422311171889305 (1), Real: 0.0
[15849.0]: Prediction: 0.02849932760000229 (1), Real: 0.0
[19562.0]: Prediction: 0.013186565600335598 (1), Real: 0.0
[12582.0]: Prediction: 0.05535256117582321 (1), Real: 0.0
[18768.0]: Prediction: 0.015563310123980045 (1), Real: 1.0
[16677.0]: Prediction: 0.024025622755289078 (1), Real: 0.0
[10858.0]: Prediction: 0.07784521579742432 (1), Real: 0.0
[12186.0]: Prediction: 0.05990469083189964 (1), Real: 0.0
[18558.0]: Prediction: 0.016259854659438133 (1), Real: 0.0
[19349.0]: Prediction: 0.013786446303129196 (1), Real: 0.0
[17064.0]: Prediction: 0.022176457569003105 (1), Real: 1.0
[18551.0]: Prediction: 0.016283303499221802 (1), Real: 0.0
[15677.0]: Prediction: 0.029525138437747955 (1), Real: 0.0
[14678.0]: Prediction: 0.036229733377695084 (1), Real: 0.0
[15669.0]: Prediction: 0.029574228450655937 (1), Real: 0.0
[17092.0]: Prediction: 0.022048931568861008 (1), Real: 1.0
[13242.0]: Prediction: 0.04848231002688408 (1), Real: 0.0
[11103.0]: Prediction: 0.07420048862695694 (1), Real: 0.0
[18457.0]: Prediction: 0.01660582609474659 (1), Real: 0.0
[14844.0]: Prediction: 0.035021863877773285 (1), Real: 1.0
[11382.0]: Prediction: 0.07024302333593369 (1), Real: 0.0
[18430.0]: Prediction: 0.016699181869626045 (1), Real: 0.0
[17603.0]: Prediction: 0.019832022488117218 (1), Real: 0.0
[15078.0]: Prediction: 0.03338494151830673 (1), Real: 0.0
[17369.0]: Prediction: 0.02081885002553463 (1), Real: 0.0
[14098.0]: Prediction: 0.04077168554067612 (1), Real: 0.0
[16942.0]: Prediction: 0.02274395152926445 (1), Real: 0.0
[17134.0]: Prediction: 0.021857596933841705 (1), Real: 0.0
[18702.0]: Prediction: 0.01577908731997013 (1), Real: 0.0
[18461.0]: Prediction: 0.016592128202319145 (1), Real: 0.0
[15036.0]: Prediction: 0.033673398196697235 (1), Real: 1.0
[12185.0]: Prediction: 0.059916503727436066 (1), Real: 0.0
[11637.0]: Prediction: 0.06679684668779373 (1), Real: 0.0
[16475.0]: Prediction: 0.025049572810530663 (1), Real: 0.0
[12810.0]: Prediction: 0.052881550043821335 (1), Real: 0.0
< /code>
Если я увеличивает эпохи, значения становятся очень низкими, примерно 0,00025, и они продолжают повторяться бесконечно. Если я уменьшаю эпохи, они станут слишком высокими. Я не могу найти удовлетворительные результаты или должным образом обучить модель. Помоги мне. Я попробовал стандартизировать ценности, но это не сработало. Я не знаю, что еще я могу сделать ... < /p>
Пожалуйста, может кто -нибудь мне помочь? Я был бы чрезвычайно благодарен за любую помощь.

Подробнее здесь: https://stackoverflow.com/questions/794 ... ning-model