如何使用keras评估多类分类的结果？

Question

我想使用深度学习进行多类分类（softmax，keras）。所以，我建立了模型，得到了误差，就是期望输出形状和实际输出形状不同。在我的例子中，类型是1，2，3，所以预期的形状是3（3类），但实际形状是4。当将1、2、3更改为0、1、2或将“期望形状”设置为4时，此错误已解决。后者是指将三级分类改为四级分类。为什么要运行此代码？在这种情况下，什么是预测概率？我如何评价这些结果？在

这是示例代码。在

from sklearn import datasets
iris = datasets.load_iris()

# X -> features, y -> label
X = iris.data
y = iris.target
mini_dict = {0: 'a', 1: 'b', 2: 'c'}
y = pd.Series(y, name=None).replace(mini_dict)
mini_dict = {'a': 3, 'b': 1, 'c': 2}
y = pd.Series(y, name=None).replace(mini_dict)
def multiclass_model():
    model = Sequential()
    model.add(Dense(10,input_dim=4))
    model.add(Dropout(0.1))
    model.add(Dense(3,activation='softmax')) #this is expected shape
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy','categorical_accuracy'])
    return (model)

model=KerasClassifier(build_fn=multiclass_model, epochs=20, batch_size=3, verbose=0)
model.fit(X,y.values)

得到这个错误。在

^{pr2}$

然后重新定义多类模型

def multiclass_model():
    model = Sequential()
    model.add(Dense(10,input_dim=4))
    model.add(Dropout(0.1))
    model.add(Dense(4,activation='softmax')) #change 3 to 4
    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy','categorical_accuracy'])
    return (model)

model=KerasClassifier(build_fn=multiclass_model, epochs=20, batch_size=3, verbose=0)
model.fit(X,y.values)

没有错误，我可以得到预测值。在

model.predict_proba(X[0:5])
array([[2.52738446e-05, 2.23150160e-02, 3.87168024e-04, 9.77272570e-01],
       [5.91093449e-05, 4.23159041e-02, 1.24582055e-03, 9.56379175e-01],
       [5.94217017e-05, 3.10160406e-02, 7.65587494e-04, 9.68158960e-01],
       [1.07116306e-04, 4.50214930e-02, 1.48290978e-03, 9.53388453e-01],
       [2.73615278e-05, 2.02178583e-02, 3.34151875e-04, 9.79420602e-01]],
      dtype=float32)

y.values[:5]
array([3, 3, 3, 3, 3])

我不知道这些值的可靠性。在

检查班级人数

np.unique(y.values)
array([1, 2, 3])

Answer 1

当你想进行多类分类时，你需要对你的标签向量做一个one-hot encoding。由于您的y.values输出，我假设您的y看起来是[1,2,3,2...]。然而，TensorflowsKerasClassifier负责处理这一点，这可以在源代码中看到。(source)因此您的标签将变成这样的{}。在下一步中，这些标签将被one-hot编码，这也可以在源代码中看到。(source)现在您的标签看起来像这样[[1,0,0],[0,1,0],[0,0,1],[0,1,0]]。在

所以根据我的理解，如果在输出层中只使用3个类而不是4个类，那么一切都应该正常工作。在

所以再次检查标签数据y，例如np.unique(y.values)。我的猜测是您无意中创建了一个包含[0,1,2,3]的标签向量。在