基于概率的深度神经网络作业：反钓鱼算法标签映射问题

你的当前模型结构和配置不匹配三分类任务需求，导致输出是连续值而非指定的离散标签。以下是具体修改方案：

核心问题分析 #

1. 模型最后层设计错误：你在中间层用了softmax（本该用于分类输出层），又接了Dense(1)无激活层，这会输出连续回归值，无法直接对应三个离散标签。
2. 损失函数与任务不匹配：mse是回归任务损失，不适合分类场景。
3. 指标错误：BinaryAccuracy是二分类指标，不适用于三分类。

方案一：标准三分类模型（推荐） #

这是最适合离散多标签任务的做法，直接让模型输出三类的概率分布，再映射回-1、0、1。

步骤1：调整标签映射（可选但更规范） #

因为Keras的分类损失函数默认要求标签从0开始索引，所以先把原始标签做映射：

• 原始标签-1 → 0
• 原始标签0 → 1
• 原始标签1 → 2

步骤2：修改模型代码 #

def create_model(self, n_hidden = 1, n_neurons = 30, learning_rate = 3e-3, input_shape = 30):
    model = Sequential()
    model.add(InputLayer(input_shape = input_shape))
    
    for layer in range(n_hidden):
        model.add(Dense(n_neurons, activation = "relu"))
    # 输出3类的概率分布，用softmax激活
    model.add(Dense(3, activation="softmax"))
    optimizer = SGD(learning_rate = learning_rate)
    # 用稀疏分类交叉熵（适用于整数形式的标签）
    model.compile(loss=SparseCategoricalCrossentropy(), 
                  optimizer=optimizer, 
                  metrics=[SparseCategoricalAccuracy()])
    return model

步骤3：预测后映射回原始标签 #

训练完成后，通过以下代码将模型输出转换为-1、0、1：

import numpy as np

# 获取预测概率
pred_probs = model.predict(X_test)
# 取概率最大的类别索引
pred_classes = pred_probs.argmax(axis=1)
# 映射回原始标签
pred_labels = np.where(pred_classes == 0, -1, np.where(pred_classes == 1, 0, 1))

方案二：直接输出近似值后离散化（不推荐） #

如果不想修改模型为分类结构，可以调整最后一层激活函数，再通过阈值将连续值映射为指定标签，但这种方式精度通常低于标准分类模型：

修改模型代码 #

def create_model(self, n_hidden = 1, n_neurons = 30, learning_rate = 3e-3, input_shape = 30):
    model = Sequential()
    model.add(InputLayer(input_shape = input_shape))
    
    for layer in range(n_hidden):
        model.add(Dense(n_neurons, activation = "relu"))
    # 用tanh将输出限制在[-1,1]区间
    model.add(Dense(1, activation="tanh"))
    optimizer = SGD(learning_rate = learning_rate)
    # 仍用MSE损失，但任务本质是回归转分类
    model.compile(loss="mse", optimizer = optimizer, metrics=["mae"])
    return model

预测后离散化 #

pred_values = model.predict(X_test).flatten()
# 设定阈值映射标签
pred_labels = np.where(pred_values > 0.5, 1, np.where(pred_values < -0.5, -1, 0))

内容的提问来源于stack exchange，提问作者mmalagocki