如何使用 Keras 进行多类分类？

Question

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？

Answer 1

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

Answer 2

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。