陸拾貳- 機器學習包 Tensorflow - Python 版 輸入空特征的反應

一、為何有此想法

最近想做出一個不需要不斷重新訓練的模型，就是只需要把某些對應特征輸入，然後得到相應的結果，例如：

直接輸入到一個黑匣子內
該黑匣子至少有以下幾項功能：

1. 可以輸入不定量特征，黑匣子自適應
2. 黑匣子自身能不斷根據特征進行訓練
3. 黑匣子能根據不同的問題輸出答案
4. 黑匣子設定好之後不需人工干預
5. 黑匣子能自己調用不同的人工智能包

所以第一階段需考證一下

二、先隨機一個測試集

先設定一個訓練集

並把數據完整放到包內進行學習（就直接抄官網代碼），代碼如下:

import tensorflow as tf
import numpy as np
import InputData
from tensorflow import keras
from tensorflow.keras import layers
from tensorflow.keras.layers.experimental import preprocessing
x_train,y_train,x_test,y_test = InputData.TestData()
# x_train,y_train,x_test,y_test = InputData.TestBlankData()
print(len(y_test))
x_train=np.array(x_train).astype(np.float64)
y_train=np.array(y_train).astype(np.float64)
x_test=np.array(x_test).astype(np.float64)
y_test=np.array(y_test).astype(np.float64)
# x_train[np.isinf(x_train)]=0
# x_train[np.isnan(x_train)]=0
# x_test[np.isinf(x_test)]=0
# x_test[np.isnan(x_test)]=0
horsepower_normalizer = preprocessing.Normalization(axis=1)
horsepower_normalizer.adapt(x_train)
model = tf.keras.models.Sequential([
horsepower_normalizer,
tf.keras.layers.Dense(6, activation='relu'),
tf.keras.layers.Dense(10, activation='relu'),
tf.keras.layers.Dense(6, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(2, activation='softmax')
])
model.compile(optimizer='adam',
loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
metrics=['accuracy'])
model.fit(x_train, y_train[:,2], epochs=500)
model.evaluate(np.array(x_test), np.array(y_test)[:,2])
test_predictions = model.predict(x_test)
test_result=[0,0]
for intI in range(len(test_predictions)):
print(str(intI)+' : Pre - '+str(test_predictions[intI])+' , Act - '+str(y_test[intI][2]))
if((test_predictions[intI][0]>0.5 and y_test[intI][2] ==0) or (test_predictions[intI][1]>0.5 and y_test[intI][2] ==1) ):
test_result [0]+=1
else:
test_result [1]+=1
print('[正確,錯誤]')
print(test_result)

得出結果為：

對於測試集有 89% 正確

三、測試集中插入空值

如下圖所示，把測試集的數據隨機插入空置

同樣運行代碼，得出結果為：

因為結果含有空置，所以模型直接收皮了

四、把空置替換為 0

加入代碼：

x_train[np.isinf(x_train)]=0
x_train[np.isnan(x_train)]=0
x_test[np.isinf(x_test)]=0
x_test[np.isnan(x_test)]=0

結果比原本差了不少

五、把空置替換為 隨機數

我不知道為什麼，不過我覺得0不好看，我就替換成隨機數了，結果提升了

六、沒啥結論

我就是嘗試一下而已，個人認為，單獨一個模型的調優以及設置其實並沒有太大的意義
只要知道機器學習的原理以及知道如何應用，調優可以交給專門其他人，甚至現在有很多人沉迷於此（但這些人只沉迷於准確率，卻沒想過業務變化的話，之前調整好的模型應該如何去適應）
但如何使用模型，把模型放到一個更有價值的地方去使用，把不同的模型整合，把模型跟業務實際的結合，反而是現在很多人沒有想過的方向
努力，腰痛啊