Python 分类指标可以'；t处理连续多输出和多标签指示器目标的混合

我创建了一个带有数字输入和单个分类输出的ANN，它是一个热编码为19个类别中的1个。我将输出层设置为19个单元。我现在不知道如何执行混淆矩阵，也不知道如何根据这个而不是单个二进制输出来执行classifier.predict（）。我不断收到一个错误，说分类指标不能处理连续多输出和多标签指标目标的混合。我不知道怎么继续

#Importing Datasets
dataset=pd.read_csv('Data.csv')
x = dataset.iloc[:,1:36].values # lower bound independent variable to upper bound in a matrix (in this case only 1 column 'NC')
y = dataset.iloc[:,36:].values # dependent variable vector
print(x.shape)
print(y.shape)

#One Hot Encoding fuel rail column
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
labelencoder_y= LabelEncoder()
y[:,0]=labelencoder_y.fit_transform(y[:,0])
onehotencoder= OneHotEncoder(categorical_features=[0])
y = onehotencoder.fit_transform(y).toarray()
print(y[:,0:])

print(x.shape)
print (y.shape)


#splitting data into Training and Test Data
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.1,random_state=0)

#Feature Scaling
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
#x_train = sc.fit_transform(x_train)
#x_test=sc.transform(x_test)
y_train = sc.fit_transform(y_train)
y_test=sc.transform(y_test)

# PART2 - Making ANN, deep neural network

#Importing the Keras libraries and packages
import keras
from keras.models import Sequential
from keras.layers import Dense


#Initialising ANN
classifier = Sequential()
#Adding the input layer and first hidden layer
classifier.add(Dense(activation= 'relu', input_dim =35, units=2, kernel_initializer="uniform"))#rectifier activation function, include all input with one hot encoding
#Adding second hidden layer
classifier.add(Dense(activation= 'relu', units=2, kernel_initializer="uniform")) #rectifier activation function
#Adding the Output Layer
classifier.add(Dense(activation='softmax', units=19, kernel_initializer="uniform")) 
#Compiling ANN - stochastic gradient descent
classifier.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])#stochastic gradient descent

#Fit ANN to training set

#PART 3 - Making predictions and evaluating the model
#Fitting classifier to the training set
classifier.fit(x_train, y_train, batch_size=10, epochs=100)#original batch is 10 and epoch is 100

#Predicting the Test set rules
y_pred = classifier.predict(x_test)
y_pred = (y_pred > 0.5) #greater than 0.50 on scale 0 to 1
print(y_pred)

#Making confusion matrix that checks accuracy of the model
from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, y_pred)

输出布尔矩阵。问题是它的形状与以前相同，但在评估精度时，需要一个标签向量

---

为此，请使用

np.argmax（y_pred，axis=1）

来输出正确的标签。

总结一下：使用此代码，您应该得到矩阵

y_pred=model.predict(X_test) 
y_pred=np.argmax(y_pred, axis=1)
y_test=np.argmax(y_test, axis=1)
cm = confusion_matrix(y_test, y_pred)
print(cm)

---

Keras需要一个热编码的

y

用于多标签分类。谢谢。据我所知，我有一个热编码这个变量，也许这就是问题所在。我将如何构造我的输出层？您在最后一层使用softmax了吗？是的，它不希望输出是19个潜在选项，而不是一个简单的1或0。我把y_pred=classifier.predict（x_测试），然后y_pred=（y_pred>0.5）在model.compile中使用了什么损失？顺便说一句，我很难不看代码就说什么谢谢你，我在哪里写那行，我现在要去掉：y_pred=（y_pred>0.5）是的，你要这样做，我也要写：y_pred=classifier.predict（x_test），然后下一行y_pred=np.argmax（y_pred，axis=1），然后做混淆矩阵？我也必须改变y_test，现在它工作了！！感谢您提供2个以上的类别，条件y_pred>0.5并不总是导致样本预测为1。所以sklearn认为您将使用多标签分类，但它不能直接与多输出混合。

y_pred=model.predict(X_test) 
y_pred=np.argmax(y_pred, axis=1)
y_test=np.argmax(y_test, axis=1)
cm = confusion_matrix(y_test, y_pred)
print(cm)