问题描述
背景资料：
我正在尝试构建一个神经元网络来预测概率。
不幸的是，我只有类标签（特定事件发生与否），它们本质上是非常随机的。意思是，一个看似很大的部分是随机的，或者至少在特征数据中不相关。
它也是一个时间序列数据，但出于不同的原因，我将每个时间戳视为不同的数据点，时间编码为输入标签。
我的标签是 0 或 1。当我使用以下行对数据集进行下采样时：
input_data = block_reduce(input_data,block_size=(4,1,1),func=np.mean)
这会导致某些标签具有价值：0.25、0.5 或 0.75 到目前为止，我只是通过选择每第 n 行来进行下采样，并使用 bceloss 作为我的损失函数。 但是我意识到以下几点：
>>> torch_label = torch.tensor([[1.,0.5],[1.,0.5]])
>>> torch_pred = torch.tensor([[1.,0.5]])
>>> loss_func = torch.nn.bceloss()
>>> print(loss_func(torch_pred,torch_label))
tensor(0.3466)
意思是它的行为不像我想要的那样。我尝试过 MSELoss，但它接缝错了，因为我仍然会说我有分类问题。
我实际上也关心事件发生的概率。我目前使用 SGD，因为 adam 对我不起作用，因为它是 stachastic 和 4 层神经网络。我使用网格搜索进行了优化。我也很感激任何提示。
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）