我正在开发一个浅层神经网络，可用于读取云计算环境的输入配置并确定其是否节能。我已将正在使用的数据集中的测量值转换为分位数值，以便我的网络更容易读取。然而，运行后我仍然获得 55% 的准确率和大约 0.68 的损失函数。我是构建神经网络的新手，所以我确信我可以采取一些措施来提高准确性。
我尝试了很多不同的方法，看看是否能得到55%以上的值，但都无济于事。我尝试添加更多层、调整像素值、将变量从原始连续值转换为分位数值，但没有任何方法可以使其超过 55%。我不确定数据集是否是这个数字不会超过这个数字的原因，但任何建议都会有帮助，谢谢！
我理解，无论你如何尝试，当你的模型没有改进时，这是多么令人沮丧。但不用担心——这是使用神经网络时的常见挑战。让我给你一些简单实用的技巧来帮助你。
从数据开始 • 尝试使用原始值：将数据转换为分位数可能隐藏了一些重要信息。使用原始连续值测试模型，看看它是否有所改进。 • 检查类别不平衡：确保“高效”和“低效”类别平衡。如果不是，该模型可能会偏向于更大的类别。要解决此问题，您可以从较小的类别中复制样本（过采样）或使用 SMOTE 等技术来创建合成数据。
对模型进行一些小改动 • 尝试不同的激活函数：ReLU 很常见，但有时 tanh 可以更好地工作，具体取决于问题。 • 降低丢失率：您的丢失率(0.5) 可能太高，删除了太多信息。尝试将其降低到 0.2 或 0.3。 • 调整学习率：0.001 是一个很好的起点，但它可能不是最佳的。测试更小或更大的值，例如 0.0001 或 0.01，看看模型是否有所改进。
训练模型更长时间
训练 20 个 epoch 可能还不够。尝试将其增加到 50 甚至 100 epoch。只要留意过度拟合——如果你的模型在训练数据上表现很好，但在测试数据上表现不佳，那么它可能是在记忆而不是在学习。 另外，尝试使用较小的批量大小（例如 32），以帮助模型拾取数据中更精细的模式。
准确性并不总是最好的衡量标准，尤其是当你的类别不平衡时。尝试查看准确率、召回率和 F1 分数。这些指标可以让您更清楚地了解模型的实际性能。
如果模型仍然没有改进，问题可能出在数据本身。有时，特征（变量）与目标（能源效率）没有足够强的关系。在这种情况下： • 创建新特征：组合或转换现有变量以揭示隐藏的关系。 • 尝试更简单的模型：使用逻辑回归或决策树来查看问题是否出在神经网络或数据集上。
快速总结： 1. 用原始连续值进行测试。 2. 降低 dropout 率并尝试另一个激活函数，例如 tanh。 3. 将 epoch 数量增加到 50 或更多。 4. 使用 F1 分数等指标，而不仅仅是准确性。 5. 如果所有其他方法都失败，请专注于数据 - 创建新功能或尝试更简单的模型。
我希望这可以帮助您前进！如果您需要更详细的建议或希望我审查您的工作，请随时与我们联系。你已经得到了这个！
