machine-learning - 使用 catboost 提高 CNN 模型的准确性
问题描述
如何提高我的 cnn 模型的准确性?目前我的准确率达到了 70%。如何使用 Catboost 或 XGBoost 以获得更好的准确性?还有什么我可以使用的,也许是 Keras 调谐器?
import tensorflow as tf
import pandas as pd
import category_encoders as ce
from tensorflow.keras import datasets, layers, models
import matplotlib.pyplot as plt
#from catboost import CatBoostClassifier
#catboost = CatBoostClassifier()
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
train_images, test_images = train_images/255.0, test_images/255.0
class_names = ['airplane', 'automobile', 'bird', 'cat', 'deer', 'dog', 'frog', 'horse', 'ship', 'truck', ]
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
history = model.fit(train_images, train_labels, epochs=10, validation_data=(test_images, test_labels))
plt.plot(history.history['accuracy'], label='accuracy')
plt.plot(history.history['val_accuracy'], label = 'val_accuracy')
plt.xlabel('Epoch')
plt.ylabel('Accuracy')
plt.ylim([0.5, 1])
plt.legend(loc='lower right')
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(test_acc)
解决方案
推荐阅读
- microsoft-teams - MS 团队客户端自定义应用程序已上传到门户但未列在目录中
- analytics - Branch.io:如何将服务器到服务器发送的事件与客户端报告的用户安装合并?
- ios - 导航栏标题视图上的多行 UILabel
- apache-spark - spark json模式元数据可以映射到hive吗?
- oracle - ORA-00933: SQL 命令未正确结束 oracle 数据库
- php - 尝试从两个数据库中读取以检查帐户是否存在
- ssh - 带有 SSH 密钥的 VS Code 跳转框设置
- python - 将 pd.cut() 与 map_partitions DASK 一起使用时出现问题
- swift - 在 SwiftUI 应用程序中使用 PHCachingImageManager 显示 PHAssets(照片)-正文视图中的 IF 语句不起作用
- image - 由于架构版本 1 已弃用,Docker 未能将清单文件推送到内部注册表