Python Keras-稠密_3的稠密度（6，）错误，但应为（1，）

我正在学习神经网络，我想创建一个模型，预测该领域的价值。 为了简化，我创建了一个

0、1、2、3、4或5的

我所做的事情：

修改数据帧、筛选数据等
将域名标记为二维整数数组（基于字符）
拆分为X、y列、测试
编译模型
输出应该是0到5个整数，所以我认为最后一层应该是（6，）形状。但很明显，有些地方出了问题

ValueError:检查目标时出错：预期密集_3具有形状
（6，）但得到了形状为（1，）的数组

你知道怎么做吗

from datetime import timedelta, date, datetime
import json
import locale

from keras import Sequential
from keras.layers import Dense
from keras_preprocessing.sequence import pad_sequences
from keras_preprocessing.text import Tokenizer
import pandas as pd
from sklearn.model_selection import train_test_split

locale.setlocale(locale.LC_ALL, '')
LISTINGS_JSON_PATH = '....path to json'

def get_drank(rank):
    if rank>5:
        return 5
    return rank

with open(LISTINGS_JSON_PATH) as f:
    d = json.loads(f.read())

today = datetime.combine(date.today(), datetime.min.time())
df = pd.DataFrame(d['data'])
df = df[['domainName', 'auctionEndTime', 'numberOfBids']]
df['domainName'] = df['domainName'].str.lower()
df['auctionEndTime'] = pd.to_datetime(df['auctionEndTime'].str.slice(0, 10), format='%Y-%m-%d')
df['days_to_end'] = df['auctionEndTime'].apply(lambda x: (x - today).days + 1)
df['rank'] = df['numberOfBids'] * (df['days_to_end'])
df['drank'] = df['rank'].apply(lambda x:get_drank(x))
df = df[(df['rank'] != 0.0)|(df['days_to_end']==0.0)]

tk = Tokenizer(num_words=None, char_level=True)
tk.fit_on_texts(df['domainName'])
sequences = tk.texts_to_sequences(df['domainName'])
sequences = pad_sequences(sequences, padding='post')

X_train, X_test, y_train, y_test  = train_test_split(sequences, df['drank'], test_size=0.2, random_state=1)

print(X_train)
print(X_test)

model = Sequential([
    Dense(32, activation='relu', input_shape=(sequences[0].__len__(),)),
    Dense(32, activation='relu'),
    Dense(6, activation='softmax'),
])

model.compile(optimizer='adam',
              loss='categorical_crossentropy', )

hist = model.fit(X_train, y_train,
                 batch_size=32, epochs=10,
                 validation_data=(X_test, y_test))

输出：

输出应该是0到6个整数，所以我认为最后一层应该是（4，）形状

我不知道你这句话是什么意思。你是指形状（1）还是形状（7）

首先，您需要确定
应该是序数还是标称

在序数情况下，这意味着输出标签的整数值顺序很重要。例如，如果输出为1或0，其中1表示高，0表示低，则排序
0<1
在逻辑上是合理的。然后，如果输出shape
Y\u train，Y\u test
为shape（1，），则需要将损失函数更改为
loss=sparse\u categorical\u cross\u entropy

在名义上的情况下，顺序并不重要。例如，如果y的值介于APPLE、ORANGE和BANANA之间，那么我们可能会有一个如下的数组：

# Original data: 0=apple, 1=orange, 2=banana
y = [ [2], [0], ...]
# One hot encoded
y = [ [0,0,1],  # For banana
      [1,0,0],  # for apple
    ]

其中，
APPLE
没有任何意义。这可以通过使用
sklearn.preprocessing.onehotcoder
来完成，并将目标转换为上面的形状，您的模型架构应该可以工作。
对不起，我是说0,1,2,3,4,5所以形状（6），在这种情况下，错误是因为损失函数
分类交叉熵
预测形状（6，）的输出但只收到一个整数目标来训练。如果你试图解决的问题是名义上的，一个热编码的目标标签，它应该工作。
# Original data: 0=apple, 1=orange, 2=banana
y = [ [2], [0], ...]
# One hot encoded
y = [ [0,0,1],  # For banana
      [1,0,0],  # for apple
    ]