0

使用交叉验证时,如何编写代码以可视化我的准确性和损失发展的进度?通常我会在训练模型时将变量名称“历史”分配给拟合函数,但在交叉验证的情况下,它不会显示验证曲线。我假设是这种情况,因为我没有在 fit 函数中调用 validation_data(如下)。

kfold = StratifiedKFold(n_splits=5, shuffle=True, random_state=seed)
cvscores = []
for train, test in kfold.split(x_train, y_train):
   model = Sequential()
   model.add(layers.Conv2D(32,(4,4), activation = 'relu', input_shape = (224,224,3)))
   model.add(layers.MaxPooling2D((2, 2)))
   model.add(layers.Conv2D(64, (4,4), activation = 'relu'))
   model.add(layers.MaxPooling2D((2, 2)))
   model.add(layers.Flatten())
   model.add(layers.Dense(64, activation = 'relu'))
   model.add(layers.Dropout(0.5))
   model.add(layers.Dense(1, activation = 'sigmoid'))
	 
   model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
	
   history = model.fit(x_train[train], y_train[train], epochs=15, batch_size=64)
	
   scores = model.evaluate(x_train[test], y_train[test], verbose=0)
   print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
   cvscores.append(scores[1] * 100)
print("%.2f%% (+/- %.2f%%)" % (np.mean(cvscores), np.std(cvscores)))

通常我会使用如下代码,但由于我没有合适的验证数据,我不知道如何处理它。

plt.plot(history.history['acc'])
plt.plot(history.history['val_acc'])
plt.title('model accuracy')
plt.ylabel('accuracy')
plt.xlabel('epoch')
plt.legend(['train', 'val'], loc='upper left')
plt.show()

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'val'], loc='upper left')
plt.show()

] 1 ] 1

4

1 回答 1

0

您可以使用TensorBoard转储所有内容。通常,您会进行以下拆分:训练、测试、验证。您使用第三次拆分验证您的模型。您可以使用来自sklearn的指标。大多数时候人们不会交叉验证他们的 DNN 模型,因为这会花费太多时间。但是,一旦有了这些模型,最好使用一些boxplot来绘制指标分布。

于 2019-11-19T13:58:28.613 回答