你的机器 “不肯” 学习，怎么办？

给你讲讲机器学习数据预处理中，归一化（normalization）的重要性。

Photo by Rock’n Roll Monkey on Unsplash

前情回顾

Previously, on 玉树芝兰 ……

我给你写了一篇《如何用 Python 和 Tensorflow 2.0 神经网络分类表格数据？》，为你讲解了 Tensorflow 2.0 处理结构化数据的分类。

结尾处，我给你留了一个问题。

把测试集输入模型中，检验效果。结果是这样的：

model.evaluate(test_ds)

准确率接近80%，看起来很棒，对吗？

但是，有一个疑问：

注意这张截图。训练的过程中，除了第一个轮次外，其余4个轮次的这几项重要指标居然都没变！

它们包括：

• 训练集损失
• 训练集准确率
• 验证集损失
• 验证集准确率

所谓机器学习，就是不断迭代改进。

如果每一轮下来，结果都一模一样，这里八成有鬼。

我给了你提示：

看一个分类模型的好坏，不能只看准确率（accuracy）。对于二元分类问题，你可以关注一下 f1 score，以及混淆矩阵（confusion matrix）。

这段时间，你通过思考，发现问题产生原因，以及解决方案了吗？

从留言的反馈来看，有读者能够正确指出了问题。

但很遗憾，我没有能见到有人提出正确和完整的解决方案。

这篇文章，咱们就来谈谈，机器为什么 “不肯学习”？以及怎么做，才能让它 “学得进去”。

环境