我正在尝试在 python 中预处理数据以用于深度学习 keras 函数。
我使用 categorical crossentropy 作为模型拟合的损失函数。它需要分类变量作为目标。
我的目标数据样本:
y_train = y_train.astype('category')
y_train.head()
truth
0 0
1 0
2 1
3 0
4 0
当我尝试将数据框列转换为分类时:
num_classes=2
y_train = keras.utils.to_categorical(y_train, num_classes)
它产生了一个错误:IndexError: index 1 is out of bounds for axis 1 with size 1。
如何正确转换数据?
顺便说一句,如果我有 3800 个观察样本,每个观察样本具有 2300 个数字 (float32) 特征,那么哪种 keras 模型更适合二元分类(是,否)?这些特征主要描述图形对象。
请您参考如下方法:
很遗憾,我未能重现您的错误。 运行:
a=pd.DataFrame(np.concatenate([np.zeros(3),np.ones(3)]) ).astype('int').astype('category')
from keras.utils import to_categorical
to_categorical(a, 2)
我得到一个输出:
array([[1., 0.],
[1., 0.],
[1., 0.],
[0., 1.],
[0., 1.],
[0., 1.]], dtype=float32)
可能是版本问题!
好消息是您不必对二元分类问题使用 categorical_crossentropy。您可以使用 binary_crossentropy 损失,并按原样将 y_train 作为目标喂给您的模型。
关于您上次关于哪种 keras 模型更适合二元分类的请求,Keras 预训练模型指的是图像。您似乎有表格数据,尽管您无法使用预训练模型,但您必须自己运行自定义模型。
