本文旨在解决在使用AutoKeras进行结构化数据分类时，使用One-Hot编码作为标签反而导致模型精度下降的问题。通过分析AutoKeras的内部机制，解释了可能的原因，并提供了设置随机种子以确保结果一致性的方法，同时建议增加搜索试验次数以提高模型稳定性。本文还涵盖了如何检查AutoKeras是否自动进行One-Hot编码以及如何确认损失函数。
在使用AutoKeras进行结构化数据分类时，有时会遇到一个令人困惑的问题：直接使用One-Hot编码的标签进行训练，模型的精度反而不如将One-Hot编码转换回整数标签后再训练。这看似违反直觉，但实际上可能由多种因素导致。
随机种子的影响
一个重要的因素是随机种子。深度学习模型的训练过程本质上是随机的，包括参数的初始化、数据的洗牌等。如果没有固定随机种子，每次训练的结果都会有所不同。在AutoKeras中，即使你显式地将整数类表示提供给模型，它也会自动将其转换为One-Hot编码。
要验证AutoKeras是否自动进行One-Hot编码，可以在训练完成后运行以下代码：
[p.preprocessor for p in clf.outputs[0].in_blocks[0].get_hyper_preprocessors()]
如果输出结果中包含OneHotEncoder对象，则说明AutoKeras已经自动进行了One-Hot编码。
同样，可以通过以下代码检查损失函数是否为CategoricalCrossentropy：
clf.outputs[0].in_blocks[0].loss
如果损失函数不是CategoricalCrossentropy，则可能存在问题。
为了解决随机种子带来的差异，建议在代码中显式地设置随机种子。虽然StructuredDataClassifier构造函数提供了seed参数，但在实践中，可能需要结合Keras的全局随机种子设置才能确保结果的一致性。
import keras random_seed = 17 # 选择你喜欢的种子值 keras.utils.set_random_seed(random_seed) clf = ak.StructuredDataClassifier(overwrite=True, max_trials=10, seed=random_seed)
此外，overwrite=True参数可以确保每次运行都从头开始，避免加载之前的训练结果对当前训练产生影响。
增加搜索试验次数
即使固定了随机种子，模型的性能也可能存在一定的波动。为了获得更稳定的结果，建议增加max_trials参数的值。max_trials参数控制AutoKeras搜索最佳模型架构的试验次数。默认值为100。增加max_trials可以使AutoKeras有更多的机会探索不同的模型架构，从而找到更优的模型。
注意事项
- 数据预处理: 确保在两种情况下使用相同的数据预处理步骤。任何细微的差异都可能导致性能差异。
- 超参数搜索空间: AutoKeras的超参数搜索空间可能对不同标签表示形式的模型产生不同的影响。检查AutoKeras选择的超参数是否合理。
- 评估指标: 确保使用相同的评估指标来比较两种方法的性能。
总结
在使用AutoKeras进行结构化数据分类时，如果发现One-Hot编码导致精度下降，不要急于下结论。首先，检查随机种子是否固定，并确保使用相同的数据预处理步骤。其次，增加max_trials参数的值，以提高模型稳定性。最后，仔细分析AutoKeras选择的超参数，并确保评估指标的一致性。通过这些步骤，可以更好地理解和解决One-Hot编码带来的问题，从而获得更准确的模型。
