Tensorflow DNN多重分类
我试图用Tensorflow在Python 3.5中创建一个DNN，将元组分类到3个类中的一个。
# define initial hyperparameters
batch_size = 100
train_steps = 5000
hidden_units=[10,20,10]
# build model
dnn = tf.contrib.learn.DNNClassifier(hidden_units=hidden_units, feature_columns=feature_cols, n_classes=3)
input_fn = tf.estimator.inputs.pandas_input_fn(x=X_train, y=y_train,
batch_size=batch_size,
num_epochs=None,
shuffle=True)
# fit model to the data
dnn.fit(input_fn = input_fn, steps=train_steps)
# predict new data
predict_input_func = tf.estimator.inputs.pandas_input_fn(x=X_test,
batch_size=len(X_test),
shuffle=False)
preds = dnn.predict_classes(input_fn=predict_input_func)
X_train（和X_test）由7个数字列组成。 y_train（和y_test）由1个作为响应变量的数字列组成[0或1或2]。
当我用上述模型进行预测时，我的准确性非常差（准确率为50-70％）。
似乎我已经想出了为什么 - 我的模型预测新输入的类为0或2 ...所以它实际上丢失了所有类1的记录。
有人可以给我一个提示，为什么这是什么？ 我读过softmax可能是解决方案......如果是这样，我很困惑为什么Tensorflow文档（章节入门/ Iris分类）中描述了为什么会有类似的DNN。
编辑：我当然试过这个不同的超参数。
干杯
伦纳特
链接地址: http://www.djcxy.com/p/32117.html