尝试使用单词袋为文本分类模型建立预测模型。我已遵循各种指南和信息来构建以下方法。
培训数据集约有130万条记录，其中包含项目描述及其相关部门。我有54个系。
问题
test_dataset = ['white puppy','cottonelle clean mega','zagg universal keyboard','sweet milk tea'']
问题出在上述数组的预测过程中，该数组与我的训练数据集具有完全相同的项目。它们要么落入错误的存储桶中，要么正在创建一个全新的类，而该类在我的数据集中不存在。我的课程范围介于（最小1和最大98）之间，但总共有54个课程。
示例： 甜奶茶应该去1但去2 Cottonelle Clean mega应该达到3，但达到45，甚至不存在。
以下是我的输入数据集： text_train text_test label_train label_test
参数
vocab_size = 130000
longest_string = 20
hidden_size = 128
num_classes = 54
batch_size = 25000
epochs =7
将标签数据转换为一键矢量：
labelencoder_Y = LabelEncoder()
x = labelencoder_Y.fit_transform(label_train)
label_cat_train = np_utils.to_categorical(x, num_classes= num_classes)
y = labelencoder_Y.fit_transform(label_test)
label_cat_test = np_utils.to_categorical(y, num_classes= num_classes)
将我的文本数据转换为数字数组并填充
tokenizer = Tokenizer(num_words=vocab_size)
tokenizer.fit_on_texts(text_train)
sequences = tokenizer.texts_to_sequences(text_train)
padded_sequences = pad_sequences(sequences)
data = pad_sequences(sequences, maxlen=longest_string)
构建模型并训练数据
model = Sequential()
model.add(Embedding(vocab_size, hidden_size,input_length=longest_string))
model.add(GRU(256, dropout=0.25, return_sequences=True))
model.add(GRU(256, dropout=0.25))
model.add(Dense(num_classes, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(data, label_cat_train, validation_split=0.1, epochs=epochs,batch_size = batch_size)
输出模型的性能也很高。这没有道理。
2018-09-18 22:05:41.039445: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
1101365/1101365 [==============================] - 668s 606us/step - loss: 3.4749 - acc: 0.1313 - val_loss: 2.6991 - val_acc: 0.2888
Epoch 2/7
1101365/1101365 [==============================] - 673s 611us/step - loss: 2.0425 - acc: 0.4523 - val_loss: 1.3667 - val_acc: 0.6435
Epoch 3/7
1101365/1101365 [==============================] - 682s 620us/step - loss: 1.0634 - acc: 0.7231 - val_loss: 0.8052 - val_acc: 0.7945
Epoch 4/7
1101365/1101365 [==============================] - 679s 617us/step - loss: 0.6992 - acc: 0.8187 - val_loss: 0.6251 - val_acc: 0.8392
Epoch 5/7
1101365/1101365 [==============================] - 679s 617us/step - loss: 0.5478 - acc: 0.8562 - val_loss: 0.5329 - val_acc: 0.8616
Epoch 6/7
1101365/1101365 [==============================] - 677s 615us/step - loss: 0.4618 - acc: 0.8770 - val_loss: 0.4814 - val_acc: 0.8739
Epoch 7/7
1101365/1101365 [==============================] - 690s 626us/step - loss: 0.4064 - acc: 0.8903 - val_loss: 0.4411 - val_acc: 0.8840
非常感谢有人可以提供这种情况的帮助。
答案 0 :(得分：0)
我怀疑问题出在您的标签编码中。您需要使用完全相同的编码器才能使标签匹配：
labelencoder_Y = LabelEncoder()
x = labelencoder_Y.fit_transform(label_train)
label_cat_train = np_utils.to_categorical(x, num_classes=num_classes)
y = labelencoder_Y.transform(label_test) # do not fit again, but reuse the encoder
label_cat_test = np_utils.to_categorical(y, num_classes=num_classes)
也许您还需要检查类别标签。在上面，你写的是
兆应该升至3，但升至45，甚至不存在
但要声明
num_classes = 54
这也是您的输出层的大小。