基于Uber订单后是否完成以及完成的准确率/概率的练习问题具有以下特征：
Available Drivers int64Placed Time float64Response Distance float64Car Type int32Day Of Week int64Response Delay float64Order Completion int32 [target]我的方法是使用tf.Keras Sequential来预测目标。看起来是这样的：
model = tf.keras.models.Sequential([ tf.keras.layers.Dense(16, activation='relu', input_shape=input_shape), tf.keras.layers.Dense(16, activation='relu'), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(1, activation='sigmoid')])adam_optimizer = tf.keras.optimizers.Adam(learning_rate=LEARNING_RATE)binary_crossentropy_loss = tf.keras.losses.BinaryCrossentropy()model.compile(optimizer=adam_optimizer, loss=binary_crossentropy_loss, metrics=['accuracy'])early_stop = tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=ES_PATIENCE)history = model.fit(train_dataset, validation_data=validation_dataset, epochs=EPOCHS, verbose=2, callbacks=[early_stop])我这样标准化数据（注意train_data是一个数据框）：
train_data = tf.keras.utils.normalize(train_data)然后进行预测，
predictions = model.predict_proba(prediction_dataset, batch_size=None)训练结果：
loss: 0.3506 - accuracy: 0.8817 - val_loss: 0.3493 - val_accuracy: 0.8773但这仍然给我提供了对应事件的低质量概率。这是不是错误的方法？
对于这样的问题，你会建议什么方法？我是不是完全做错了？神经网络对这种解决方案来说是不是一个坏主意？非常感谢！
回答：
正如你所描述的问题，这是一个经典的机器学习分类问题。
给定N个特征（独立变量），你需要预测1个（一个）依赖变量。
你构建神经网络的方式很好。
由于你有一个二元分类问题，sigmoid激活函数是正确的选择。
关于模型的复杂性（层数，每层的神经元数量），这很大程度上取决于你的数据集。
如果你有一个包含大量特征和大量样本的全面数据集（一个样本是数据框中的一行，包含X1，X2，X3… Y），其中X是特征，Y是依赖变量，你的模型可以有不同的复杂度。
如果你有一个特征较少的小数据集，建议使用小模型。总是从小模型开始。
如果你遇到欠拟合的问题（在训练集、验证集和测试集上的准确率都很低），你可以逐渐增加模型的复杂性（增加更多层，每层增加更多神经元）。
如果你遇到过拟合的问题，实施正则化技术可能会有所帮助（Dropout，L1/L2正则化，噪声添加，数据增强）。
你需要考虑的是，如果你有一个小数据集，那么经典的机器学习算法可能会胜过深度学习模型。这是因为神经网络非常“饥饿”——与机器学习模型相比，它们需要更多的数据才能正常工作。你可以选择SVM/核SVM/随机森林/XGBoost和其他类似的算法。
编辑！
是否以及以何种准确率/概率自动将问题分成两部分，而不仅仅是一个简单的分类问题。
我个人会这样做：由于概率在0%到100%之间，如果你有概率作为X列中的一个特征（你没有的话），那么，根据你拥有的数据点（行）数量，你可以这样做：我会为每个概率区间分配一个标签：1到（0%，25%），2到（25%，50%），3到（50%，75%），4到（75%，100%）。但这完全取决于先验概率信息（如果你有概率作为一个特征）。然后，如果你推断并得到标签3，你就会知道乘车完成的概率。
否则，你无法将当前问题同时框定为分类和概率问题。
我希望我已经为你提供了一个初步的见解。祝你编码愉快。
