Deep learning 如何处理keras中的序号标签？

我有整数目标类在1-5范围内的数据，其中一个是最低的，五个是最高的。在这种情况下，我应该把它看作是回归问题，并且在输出层中有一个节点吗？ 我的处理方法是：

1-首先，我将标签转换为二进制类矩阵

labels = to_categorical(np.asarray(labels))

2-在输出层中，我有五个节点

main_output = Dense(5, activation='sigmoid', name='main_output')(x)

3-我在编译时使用“分类交叉熵和均方误差”

model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['mean_squared_error'],loss_weights=[0.2])

---

还有，谁能告诉我：在这种情况下，使用分类精度和“均方误差”有什么区别

回归和分类是截然不同的事情。如果你将其重新想象为一项回归任务，那么当基本事实为4时预测2的差异将比预测3而不是4的差异更大。如果你有像汽车、动物、人这样的职业，你不在乎这些职业之间的排名。如果图像显示的是一个人，那么预测汽车就像预测动物一样错误

指标根本不会影响您的学习。它只是在损失之外计算的东西，以显示模型的性能。在这里，准确度是有意义的，因为这主要是我们关心的指标。均方误差不能告诉您模型的性能。如果你得到了0.0015的均方误差，听起来不错，但很难想象它的表现如何。相比之下，使用准确度和达到95%的准确度是有意义的

---

最后一件事，您应该使用softmax而不是sigmoid作为最终输出，以获得最终层中的概率分布。Softmax将为每个类输出总计为1的百分比。然后交叉熵计算网络输出的概率分布与地面真实值之间的差异。

多亏了Thomas Pinetz，我肯定遇到了回归问题，因为我试图得到预测值和观测值之间的差异。以下更改是否会使NN适合回归？1-不使用to_category（）2-在输出层，我有一个节点，没有激活。3-损失是“均方误差”。在这种情况下，均方误差是有意义的，因为H.H.H使用顺序尺度。使用顺序尺度，回归和分类都是有意义的。类似的分类损失如<代码>分类>交叉查询> /代码>但不考虑“距离”（即所有错误分类同样错误），因此不使用实际可用的所有信息。