8、神经网络入门：从分类到回归的实践探索

神经网络入门：从分类到回归的实践探索

1. 电影评论分类：二元分类示例

1.1 训练过程与过拟合问题

在训练神经网络时，通常会看到训练损失随着训练轮次（epoch）的增加而降低，训练准确率则随之提高，这符合梯度下降优化的预期。然而，验证损失和准确率可能并非如此。例如，在某个模型训练中，验证损失和准确率在第四轮达到峰值，之后便开始下降，这就是过拟合的表现。过拟合意味着模型在训练数据上表现良好，但在未见过的数据上表现不佳，因为模型过度适应了训练数据的特征，而无法泛化到其他数据。

为了防止过拟合，可以在第三轮训练后停止训练。当然，还有其他多种技术可以缓解过拟合问题。

1.2 模型训练与评估

以下是一个从头开始训练新网络的示例代码：

import models
import layers

model = models.Sequential()
model.add(layers.Dense(16, activation='relu', input_shape=(10000,)))
model.add(layers.Dense(16, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

model.compile(optimizer='rmsprop',
              loss='binary_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epoch