我一直在上神经网络课,并不真正理解为什么我从逻辑回归和两层神经网络(输入层和输出层)的准确度得分得到不同的结果.输出层使用sigmoid激活功能.根据我的学习,我们可以使用神经网络中的sigmoid激活函数来计算概率.如果与逻辑回归试图完成的内容完全相同,这应该非常相似.然后从那里backpropogate使用梯度下降最小化错误.可能有一个简单的解释,但我不明白为什么准确性得分变化如此之大.在这个例子中,我没有使用任何训练或测试集,只是简单的数据来演示我不理解的东西.

逻辑回归的准确率为71.4％.在下面的例子中,我刚刚为’X’和结果’y’数组创建了数字.当结果等于’1’时,我故意使’X’的数字更高,以便线性分类器可以具有一定的准确性.

@H_404_4@import numpy as np from sklearn.linear_model import LogisticRegression X = np.array([[200,100],[320,90],[150,60],[170,20],[169,75],[190,65],[212,132]]) y = np.array([[1],[1],[0],[1]]) clf = LogisticRegression() clf.fit(X,y) clf.score(X,y) ##This results in a 71.4% accuracy score for logistic regression

然而,当我实现一个没有隐藏层的神经网络时,只需对单节点输出层使用sigmoid激活函数(因此总共有两层,输入和输出层).我的准确率分数约为42.9％？为什么这与逻辑回归准确度得分显着不同？为什么这么低？

@H_404_4@import keras from keras.models import Sequential from keras.utils.np_utils import to_categorical from keras.layers import Dense,Dropout,Activation model = Sequential() #Create a neural network with 2 input nodes for the input layer and one node for the output layer. Using the sigmoid activation function model.add(Dense(units=1,activation='sigmoid',input_dim=2)) model.summary() model.compile(loss="binary_crossentropy",optimizer="adam",metrics = ['accuracy']) model.fit(X,y,epochs=12) model.evaluate(X,y) #The accuracy score will now show 42.9% for the neural network