Python Keras中具有二元分类的多标签

目前，我正在使用Keras、sci工具包学习等进行图像分类

我会尽力解释所有的问题。 就像我之前说的，这是一个多标签的图像分类。 我的数据框包含4000个微观油样，标签代表当前样品中的一些颗粒。我将在下面举一个例子

数据框中的所有图像都有标签。想象一下，每个图像都包含一个包含13个值的数组，已经是二进制的，当然，1表示正，0表示负

e、 g

这意味着对于每个图像，可能有多个输出，在这种情况下，目标是给CNN一个油样，这可以返回图像中存在的颗粒

我不知道这是否足够清楚，抱歉，现在我要解释我真正的问题

在我的CNN中，我已经将输出层设置为13（跟随每个图像中标签的数量）。 我不知道为什么，但当我训练模型时，预测的Y只返回一个值，例如：

Y predicted (sample 14): 3
Y predicted (sample 65): 11

我需要获得具有多个输出的预测，如：

Y predicted (sample 14): 3, 7, 9, 12
Y predicted (sample 65): 5, 8, 9, 11

我需要帮助来解决这个问题，因为我一直在努力。如果有人知道这方面的策略，我将不胜感激

---

提前谢谢

您的问题称为多标签分类。这意味着模型输出中一次可以存在多个类，而不仅仅是一个

给定预测向量，可以通过应用阈值来获得单个类：

thresh = 0.5
p = model.predict(some_input)
classes = []
for prob, idx in enumerate(p):
    if prob > thresh:
        classes.append(idx)

print(classes)

执行此操作后，您将得到一个具有不同类的可变大小的向量，正如模型所预测的那样。阈值（thresh）是一个参数，您必须使用应用于每个类的二进制分类的性能指标进行调整。每个类也可以有不同的阈值

---

阈值是您必须调整的内容。现在你将得到一个0和1的向量，其中0在你的问题中称为多标签分类。这意味着模型输出中一次可以存在多个类，而不仅仅是一个

给定预测向量，可以通过应用阈值来获得单个类：

thresh = 0.5
p = model.predict(some_input)
classes = []
for prob, idx in enumerate(p):
    if prob > thresh:
        classes.append(idx)

print(classes)

执行此操作后，您将得到一个具有不同类的可变大小的向量，正如模型所预测的那样。阈值（thresh）是一个参数，您必须使用应用于每个类的二进制分类的性能指标进行调整。每个类也可以有不同的阈值

---

阈值是您必须调整的内容。现在你将得到一个0和1的向量，其中0在

中，你能提供模型摘要吗？@Pusheen_the_dev是的抱歉如果有点混乱，我只是测试了一些conv和MaxPooling。但即使有了这些变化，我也没有得到预期的结果，我有点迷失了方向。你用什么作为损失？你是如何做出预测的？使用二进制交叉熵。。。对于使用“predict_classes”的预测，我已经只使用了predict。错误是使用了“predict_classes”，如果我记得清楚的话，它会返回出现最大值的索引。你应该使用“预测”。您应该将您的损失更改为mae或MSE。您可以提供模型摘要吗？@Pusheen_the_dev是的，如果有点混乱，我只是测试了一些conv和MaxPooling。但即使有了这些变化，我也没有得到预期的结果，我有点迷失了方向。你用什么作为损失？你是如何做出预测的？使用二进制交叉熵。。。对于使用“predict_classes”的预测，我已经只使用了predict。错误是使用了“predict_classes”，如果我记得清楚的话，它会返回出现最大值的索引。你应该使用“预测”。你应该把你的损失转给mae或MSE，我认为这是可行的。进行一些测试，例如，Y pred：是否可以将输出转换为0或1？我将阈值设置为0。5@AlexColombari为此，只需做一些列表。append（int（prob>thresh））感谢您的帮助。另一个问题，我试图在我的项目中应用compute_class_weight，但由于多标签分类，没有成功。我用Dict找到了一些答案，但我的问题中没有。你知道我的案子有什么策略吗？谢谢我想这就是工作。进行一些测试，例如，Y pred：是否可以将输出转换为0或1？我将阈值设置为0。5@AlexColombari为此，只需做一些列表。append（int（prob>thresh））感谢您的帮助。另一个问题，我试图在我的项目中应用compute_class_weight，但由于多标签分类，没有成功。我用Dict找到了一些答案，但我的问题中没有。你知道我的案子有什么策略吗？谢谢