C#编码神经网络-尽管神经网络的总体误差很低,但预期输出与实际误差相差甚远
本文关键字:误差 神经网络 输出 编码 | 更新日期: 2023-09-27 17:57:33
我已经试着让Encog运行了几天了。
我的数据由4个输入变量(介于1和1000之间)和1个输出变量(介于-30和30之间)组成。我正在使用大约50000行数据进行训练。
数据被归一化(tanh激活函数在-1和1之间),然后将其传递到具有以下结构和训练的神经网络:
Network.AddLayer(new BasicLayer(null, true, 4));
Network.AddLayer(new BasicLayer(new ActivationTANH(), true, 8));
Network.AddLayer(new BasicLayer(new ActivationTANH(), false, 1));
Network.Structure.FinalizeStructure();
Network.Reset();
IMLDataSet trainingData = new BasicMLDataSet(Input.ToArray(), ExpectedOutput.ToArray());
IMLTrain train = new ResilientPropagation(Network, trainingData);
int epoch = 1;
do
{
train.Iteration();
Console.WriteLine(@"Epoch #" + epoch + @" Error:" + train.Error);
epoch++;
} while (train.Error > 0.024);
然后,该程序输出每一行的预期输出以及神经网络的实际输出。以下是输出的屏幕截图(几行):https://i.stack.imgur.com/7iglz.png
如您所见,在打印此输出之前,误差(即所有行的神经网络的平均误差)必须低于0.024。但许多预期和实际产出都存在巨大的误差。
我认为神经网络对传播不够敏感。我相信,神经网络的实际输出似乎都非常接近,因为它们与最初的随机权重相差不远。
有人能建议我如何解决这个问题吗?
我尝试过减少输入的大小(我使用了50),我也尝试过消除偏差,这两种方法都会产生类似的结果。
如果没有看到您的数据,我真的无法说出差异来自哪里。我怀疑某些数据元素的错误要比其他数据元素高得多。如果您使用此方法,它将为您提供如何计算错误的详细信息,以及在数据处理过程中每个元素的"当前错误"是什么。如果您的数据集很大,这将产生相当多的输出。
public static void errorDiagnostic(BasicNetwork network, MLDataSet dataSet) {
int count = 0;
double totalError = 0;
System.out.println("Network error: " + network.calculateError(dataSet));
for(MLDataPair pair : dataSet) {
MLData actual = network.compute(pair.getInput());
System.out.println("Evaluating element " + count + " : " + pair.getInput().toString());
for(int i=0;i<pair.getIdeal().size();i++) {
double delta = Math.abs(actual.getData(i) - pair.getIdeal().getData(i));
totalError += delta*delta;
count++;
double currentError = totalError/count;
System.out.println("'tIdeal: " + pair.getIdeal().getData(i) + ", Actual: " + actual.getData(i) + ", Delta: " + delta + ", Current Error: " + currentError);
}
}
}
例如,经过训练的XOR(来自Encog-helloworld应用程序)的输出是:
Network error: 0.009643582111728128
Evaluating element 0 : [BasicMLData:0.0,0.0]
Ideal: 0.0, Actual: 0.10384251352940682, Delta: 0.10384251352940682, Current Error: 0.01078326761610504
Evaluating element 1 : [BasicMLData:1.0,0.0]
Ideal: 1.0, Actual: 0.9109458503325736, Delta: 0.08905414966742642, Current Error: 0.009356954594546711
Evaluating element 2 : [BasicMLData:0.0,1.0]
Ideal: 1.0, Actual: 0.8914073581830911, Delta: 0.10859264181690886, Current Error: 0.01016875701528963
Evaluating element 3 : [BasicMLData:1.0,1.0]
Ideal: 0.0, Actual: 0.08982236581744897, Delta: 0.08982236581744897, Current Error: 0.009643582111728128
这样可以查看每个元素对错误的贡献程度。