我不确定如何在以下情况下解释Keras的默认行为:
我的Y(基本事实)是使用scikit-learn的 MultilabelBinarizer
() Build 的 .
因此,为了给出一个随机的例子,我的 y
列的一行是单热编码的: [0,0,0,1,0,1,0,0,0,0,1]
.
所以我有11个可以预测的课程,不止一个可以成真;因此问题的多标签性质 . 这个特定样品有三个标签 .
我像我一样训练模型用于非多标签问题(照常营业),我没有错误 .
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD
model = Sequential()
model.add(Dense(5000, activation='relu', input_dim=X_train.shape[1]))
model.add(Dropout(0.1))
model.add(Dense(600, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(y_train.shape[1], activation='softmax'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
optimizer=sgd,
metrics=['accuracy',])
model.fit(X_train, y_train,epochs=5,batch_size=2000)
score = model.evaluate(X_test, y_test, batch_size=2000)
score
当Keras遇到我的 y_train
并看到它是"multi"单热编码时会做什么,这意味着 y_train
的每一行中都存在多个'one'?基本上,Keras会自动执行多标签分类吗?评分指标的解释有何不同?
1 回答
简而言之
不要使用
softmax
.使用
sigmoid
激活输出图层 .使用
binary_crossentropy
表示丢失功能 .使用
predict
进行评估 .为什么
在
softmax
中,当一个标签的分数增加时,所有其他标签都会降低(当你有多个标签时,它会想要这个 . )完整代码