具有categorical_crossentropy损失的多类预测

Question

假设这个示例实现了简单的二进制分类。

  

X = array（[[1,2,3]，[2,3,4]，[3,4,5]]）

     

y = array（[0]，[1]，[0]）

Dates[IncludeDate] is 1

这实现了多类分类。

  

X = array（[[1,2,3]，[2,3,4]，[3,4,5]]）

     

y = array（[4]，[5]，[6]）

...
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=50, verbose=0)
# new instance where we do not know the answer
Xnew = array([[4, 5, 6]])
# make a prediction
ynew = model.predict(Xnew)
#show the inputs and predicted outputs
print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
...

results
X=[4, 5, 6], Predicted=[0 or 1]

如何用单个输出实现多类分类以获得类似的结果？ （类似于预测时间序列）

  

X = array（[[1,2,3]，[2,3,4]，[3,4,5]]）

     

y = array（[4]，[5]，[6]）

...

model.compile(loss='categorical_crossentropy', optimizer='adam')
# fit model
model.fit(X, y, epochs=50, verbose=2)
model.reset_states()
# evaluate model on new data
yhat = model.predict((X))
...

results decoded
X=[4, 5, 6], Predicted=[4, 5, 6]

  

解码结果   X = [4，5，6]，Predicted = [7]

Answer 1

您要寻找的是loss='sparse_categorical_crossentropy'函数，它将假定整数目标是类标签。因此，如果您的模型有7个输出，并且给定目标2，则sparse_categorical_crossentropy将2转换为目标[0,0,1,0,0,0,0]并照常应用categorical_crossentropy。

在这种情况下，您的输出层激活函数应为softmax，并且输出数等于类数。最有可能像Dense(num_classes, activation='softmax')

如果您的整数类仅为[4,5,6]，则需要将它们移至[0,1,2]以满足条件max(Y_targets) < num_classes。