如何研究每个数据对深度神经网络模型的影响？

Posted 2023-02-16

【中文标题】如何研究每个数据对深度神经网络模型的影响？

【英文标题】：How to study the effect of each data on a deep neural network model?

【发布时间】：2017-12-17 18:20:51

【问题描述】：

我正在使用 Python 和 Keras 库训练神经网络模型。

我的模型测试准确率很低（60.0%），我尝试了很多方法来提高它，但我做不到。我正在使用 DEAP 数据集（总共 32 名参与者）来训练模型。我使用的拆分技术是固定的。如下：培训28人，验证2人，测试2人。

对于我使用的模型如下。

顺序模型 优化器 = Adam 使用 L2_regularizer、高斯噪声、dropout 和批量归一化 隐藏层数 = 3 激活 = relu 编译损失 = categorical_crossentropy 初始化器 = he_normal

现在，我正在使用训练测试技术（也修复了一项）来拆分数据，我得到了更好的结果。然而，我发现一些参与者正在以负面的方式影响训练的准确性。因此，我想知道是否有办法研究每个数据（参与者）对模型准确性（性能）的影响？

最好的问候，

【问题讨论】：

不知道你的模型的细节，但是一个有 32 个条目的数据集对于神经网络来说似乎真的很小，也许你应该更简单一些。训练验证测试是获得无偏结果的方法，但如果您不进行超参数调整，训练测试拆分应该没问题。虽然不应该改变太多的准确性（可能是由于数据集小），如果你愿意，你可以尝试像 k-fold 交叉验证这样的东西，它会使用你的所有数据进行训练。您可以使用异常检测等.. 来查找和消除不良数据.. 但是由于您已经有一个小数据集，也许可以找到一种方法来填充它？

感谢@umutto的回答，我忘了说每个参与者有40次试验，因此，数据集的总大小是（1280 x 503），其中503是特征数.我已经尝试过 k 折，它也给出了一个小的准确性，说明我为什么要寻找坏数据。增加噪声或复制数据不是小数据集的解决方案之一吗？

您的问题过于宽泛，实际提供的信息很少。为了让其他人能够帮助您，请参阅“如何创建最小、完整且可验证的示例”***.com/help/mcve

1280 仍然很小（尤其是 503 特征）但应该可以工作，您的网络至少应该是过拟合的。通过良好的正则化方法，您可以获得更好的结果。你的训练准确率如何？也是的，添加噪音，创建人工数据很有帮助，但我不确定哪种数据增强方法对您的数据集有用，我想您可以从一些噪音开始看看。交叉验证、训练测试拆分与您测量结果的方式有关，尽管糟糕的实施可能会产生误导性结果，但您应该专注于超参数。

@umutto 是的，它仍然很小，当我使用更多功能时，我没有得到更好的结果。是的，数据中存在过度拟合，我尝试使用 dropout 和 L2 正则化来解决它。正如我所说，现在我正在使用训练-测试拆分技术（80% 训练，20% 测试），测试的准确率提高到 68%，训练的准确率提高到 66%。我尝试使用 k 倍拆分对超参数进行网格搜索，但我得到的更高准确度是 60%。

【参考方案1】：

来自我的 Starting deep learning hands-on: image classification on CIFAR-10 教程，我在其中坚持跟踪两者：

全局指标（对数损失、准确性）， 示例（正确和错误地分类案例）。

后者可能会帮助我们判断哪种模式有问题，并且在许多情况下帮助我更改网络（或补充训练数据，如果是这样的话）。

以及它是如何工作的示例（这里使用 Neptune，尽管您可以在 Jupyter Notebook 中手动完成，或使用 TensorBoard 图像通道）：

然后查看特定示例以及预测概率：

完全免责声明：我与 deepsense.ai、创作者或 Neptune - Machine Learning Lab 合作。

【参考方案2】：

这可能是一个比你喜欢的更广泛的答案，但我希望它仍然有用。

神经网络很棒。我喜欢他们。但是绝大多数***性能、超调优的模型都是集成的。结合使用 stats-on-crack 技术，其中包括神经网络。造成这种情况的主要原因之一是某些技术可以更好地处理某些情况。在您的情况下，您遇到了一种情况，我建议您探索替代技术。

对于异常值，严格的价值分析是第一道防线。您也可以考虑使用principle component analysis 或linear discriminant analysis。您也可以尝试使用density estimation 或nearest neighbors 将它们赶出去。还有许多其他处理异常值的技术，希望您会发现我指出的工具很容易实现（在他们的文档的帮助下）； sklearn 倾向于接受为 Keras 准备的数据。