9、神经网络入门：分类与回归实例解析

神经网络入门：分类与回归实例解析

1. 电影评论分类：二分类示例

1.1 过拟合问题

在训练神经网络时，通常会发现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会出现不同的情况。例如，在某个模型中，验证损失和准确率在第四个 epoch 达到峰值，之后开始下降，这就是过拟合现象。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。为了防止过拟合，可以在第三个 epoch 停止训练。

1.2 模型训练与评估

以下是一个简单的二分类模型示例，用于对电影评论进行分类：

from keras import models
from keras 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, epochs=4, batch_size=512)
results = mode