Question

我的简化模型如下：

model = Sequential()
model.add(LSTM(12, input_shape=(1000,12)))
model.add(Dense(9, activation='sigmoid'))

我的训练数据具有以下形状：

(900,1000,12)

从输出层可以看到，我有9个输出，因此每个信号（长度为1000）将被分类为一个或多个该输出（这是多标签分类）

我像这样训练我的模型：

history = model.fit(X_train,y_train, batch_size=32, epochs=10,validation_data=(X_val,y_val),verbose=2)

到目前为止，一切都还可以，但是现在我想用Lime来解释分类

explainer = lime_tabular.RecurrentTabularExplainer(X_train, training_labels=y_train,feature_names=['1','2','3','4','5','6','7','8','9','10','11','12'],
                                                   discretize_continuous=True,
                                                   class_names=['a','b','c','d','e','f','g','h','i'],
                                                   discretizer='decile')

定义解释器时我没有收到任何错误，但是当我尝试运行下面的代码时，由于给我一个错误，它运行了很长时间

exp=explainer.explain_instance(data_row=X[0].reshape(1,1000,12),classifier_fn= model)
exp.show_in_notebook()

NotImplementedError: LIME does not currently support classifier models without probability scores. 
If this conflicts with your use case, please let us know: https://github.com/datascienceinc/lime/issues/16

任何人都可以识别此错误或看到什么错误吗？

Answer 1

最后一层中的 sigmoid不能保证您的概率得分在各类之间的总和为1。尝试使用softmax进行更改

model = Sequential() model.add(LSTM(12, input_shape=(1000,12))) model.add(Dense(9, activation='softmax'))

如何使用Lime对时间序列进行分类

1 个答案: