[英]How to do Multiclass classification with Keras?
我想用 Keras 制作简单的分类器来对我的数据进行分类。 特征是数字数据,结果是字符串/分类数据。 我正在预测 15 个不同的类别/类。 这是我的代码的样子:
model = Sequential()
model.add(Dense(16, input_dim = x_train.shape[1], activation = 'relu')) # input layer requires input_dim param
model.add(Dense(16, activation = 'relu'))
model.add(Dense(16, activation = 'relu'))
model.add(Dense(1, activation='relu'))
model.compile(loss="binary_crossentropy", optimizer= "adam", metrics=['accuracy'])
#es = EarlyStopping(monitor='loss', min_delta=0.005, patience=1, verbose=1, mode='auto')
model.fit(x_train, y_train, epochs = 100, shuffle = True, batch_size=128, verbose=2)
scores = model.evaluate(x_test, y_test)
print(model.metrics_names[0], model.metrics_names[1])
问题是我总是收到这个错误:
ValueError: could not convert string to float 'category1'
我究竟做错了什么?
当我用整数替换我的类名“category1”、“category2”等时,我的代码有效,但它总是给我 0 的准确度。我试图改变节点和层的数量以及激活函数,但结果总是 0。好像模型认为我在做回归而不是分类。
如果我的分类值不只是 1 或 0,那么使用 Keras lib 进行分类的正确方法是什么?
您需要将字符串类别转换为整数,有一种方法:
y_train = tf.keras.utils.to_categorical(y_train, num_classes=num_classes)
此外,多类分类的最后一层应该是这样的:
model.add(Dense(NUM_CLASSES, activation='softmax'))
最后,对于多类分类,正确的损失将是类别交叉熵。
model.compile(loss="categorical_crossentropy", optimizer= "adam", metrics=['accuracy'])
这是 tensorflow 提供的一个很好的示例:分类示例
如果您有 15 个类,由标签 0 到 14 表示,您可以设置具有 15 个神经元和激活 sigmoid Dense(15, ...)
最终密集层。
此外,如果您不对数据进行单热编码,请将sparse_categorical_crossentropy
设置为损失并将sparse_categorical_accuracy
为度量。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.