Keras Python 中的分类

Posted 2023-03-12

【中文标题】Keras Python 中的分类

【英文标题】：Categorical classification in Keras Python

【发布时间】：2018-09-26 22:20:13

【问题描述】：

我正在做 5 个类的多类分类。我正在使用带有 Keras 的 Tensorflow。我的代码是这样的：

# load dataset
dataframe = pandas.read_csv("Data5Class.csv", header=None)
dataset = dataframe.values
# split into input (X) and output (Y) variables
X = dataset[:,0:47].astype(float)
Y = dataset[:,47]
print("Load Data.....")

encoder= to_categorical(Y)

def create_larger():  
    model = Sequential()
    print("Create Dense Ip & HL 1 Model ......")
    model.add(Dense(47, input_dim=47, kernel_initializer='normal',     activation='relu'))
    print("Add Dense HL 2 Model ......")
    model.add(Dense(40, kernel_initializer='normal', activation='relu'))
    print("Add Dense output Model ......")
    model.add(Dense(5, kernel_initializer='normal', activation='sigmoid'))
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

estimators = []
estimators.append(('rnn', KerasClassifier(build_fn=create_larger, epochs=60,  batch_size=10, verbose=0)))
pipeline = Pipeline(estimators)
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(pipeline, X, encoder, cv=kfold)
print("Accuracy: %.2f%% (%.2f%%)" % (results.mean()*100, results.std()*100))

我作为输入的 CSV 文件包含带有标签的数据。标签就像这样0, 1, 2, 3, 4，代表 5 个不同的类。

那么，由于标签已经是整数形式，我需要使用 我的代码中的 LabelEncoder() 函数？

另外，我使用了to_categorical(Y) 函数。我应该使用它还是应该将包含这些标签的 Y 变量传递给分类器进行训练？

我收到如下错误： 支持的目标类型是：('binary', 'multiclass')。取而代之的是“多标签指示器”。 当我在代码中使用编码器变量时发生此错误 results = cross_val_score(pipeline, X, encoder, cv=kfold) 其中编码器变量表示 to_categorical(Y) 数据。如何解决这个错误？

【问题讨论】：

无需使用 LabelEncoder()。但是to_categorical() 的使用取决于 Keras 模型中使用的损失函数。显示该代码。

是的。我使用了 categorical_crossentropy 损失函数。代码是这样的：model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

您不能在 cross_val_score 中使用带有 StratifiedKFold 的 Keras 估计器。您需要为此编写一个自定义交叉验证，其中传递给 StratifiedKFold 的数据应该是原始的 y，然后在拆分后应该用 to_categorical() 编码并传递给 Keras。

【参考方案1】：

正如Keras documentation here中提到的：

注意：使用 categorical_crossentropy 损失时，您的目标 应该是分类格式（例如，如果您有 10 个类，则 每个样本的目标应该是一个 10 维向量，即 全零，除了对应于类的索引处的 1 样本）。为了将整数目标转换为分类 目标，您可以使用 Keras 实用程序 to_categorical：

from keras.utils.np_utils import to_categorical
categorical_labels = to_categorical(int_labels, num_classes=None)

所以这意味着你需要在训练之前对你的y 使用to_categorical() 方法。但如果y 已经是整数类型，则无需使用LabelEncoder。

【讨论】：

是的，先生。我尝试在我的代码中只使用 to_categorical(Y) 。但是，如果我只使用它并尝试运行它。它显示错误。 ValueError：支持的目标类型是：（'binary'，'multiclass'）。取而代之的是“多标签指示器”。

因此，我没有包括 to_categorical(Y)。那么它会给出正确的准确性结果吗？

@AmulyaDixit 您在哪个代码上收到错误“Got 'multilabel-indicator' instead.”。请编辑问题。而且，不，如果您不包含 to_categorical，您将不会得到正确的结果

seed = 7 numpy.random.seed(seed) dataframe = pandas.read_csv("Data.csv", header=None) dataset = dataframe.valuesX = dataset[:,0:47]。 astype(float) Y = 数据集[:,47]

@AmulyaDixit 不要在这里发帖。编辑问题