ValueError：无法处理多标签指示符和二进制的混合

Posted 2023-03-12

【中文标题】ValueError：无法处理多标签指示符和二进制的混合

【英文标题】：ValueError: Can't handle mix of multilabel-indicator and binary

【发布时间】：2017-08-14 12:16:43

【问题描述】：

我正在使用带有 scikit-learn 包装器的 Keras。特别是，我想使用 GridSearchCV 进行超参数优化。

这是一个多类问题，即目标变量只能在一组 n 个类中选择一个标签。例如，目标变量可以是 'Class1'、'Class2' ... 'Classn'。

# self._arch creates my model
nn = KerasClassifier(build_fn=self._arch, verbose=0)
clf = GridSearchCV(
  nn,
  param_grid= ... ,
  # I use f1 score macro averaged
  scoring='f1_macro',
  n_jobs=-1)

# self.fX is the data matrix
# self.fy_enc is the target variable encoded with one-hot format
clf.fit(self.fX.values, self.fy_enc.values)

问题在于，在交叉验证期间计算分数时，验证样本的真实标签是一次性编码的，而预测由于某种原因会崩溃为二进制标签（当目标变量只有两个类时）。例如，这是堆栈跟踪的最后一部分：

...........................................................................
/Users/fbrundu/.pyenv/versions/3.6.0/lib/python3.6/site-packages/sklearn/metrics/classification.py in _check_targets(y_true=array([[ 0.,  1.],
       [ 0.,  1.],
       [ 0... 0.,  1.],
       [ 0.,  1.],
       [ 0.,  1.]]), y_pred=array([1, 1, 1, 1, 1, 1, 1, 0, 0, 1, 0, 1, 1, 1,...0, 1, 0, 0, 1, 0, 0, 0,
       0, 0, 0, 0, 1, 1]))
     77     if y_type == set(["binary", "multiclass"]):
     78         y_type = set(["multiclass"])
     79
     80     if len(y_type) > 1:
     81         raise ValueError("Can't handle mix of 0 and 1"
---> 82                          "".format(type_true, type_pred))
        type_true = 'multilabel-indicator'
        type_pred = 'binary'
     83
     84     # We can't have more than one value on y_type => The set is no more needed
     85     y_type = y_type.pop()
     86

ValueError: Can't handle mix of multilabel-indicator and binary

如何指示 Keras/sklearn 在 one-hot 编码中返回预测？

【问题讨论】：

直接使用fy 而不编码值会发生什么。在多类中应该不是问题。仅在多标签问题恕我直言时，才需要对目标进行 One-hot 编码

【参考方案1】：

根据 Vivek 的评论，我使用了原始（不是单热编码）目标数组，并按照 the comments to this issue 配置（在我的 Keras 模型中，请参阅代码）损失 sparse_categorical_crossentropy。

arch.compile(
  optimizer='sgd',
  loss='sparse_categorical_crossentropy',
  metrics=['accuracy'])

【讨论】：

如果您已经解决了问题，请接受您的回答并关闭问题

@VivekKumar 如果你知道 SO 的规则，你不能在问题提出后 2 天之前接受答案。

是的，抱歉。我的坏

@fbrundu，你的问题解决了吗？我仍然有问题。当我使用loss='sparse_categorical_crossentropy'; metrics=['f1_score']`时，我的F1分数超过了1，这显然是错误的。

@fbrundu 感谢您的回复。我正在做。我认为即使 y_true 没有编码，“categorical_crossentropy”也会起作用。它与文档不同。