Python 如何使用Keras进行多类分类？

我想用Keras做一个简单的分类器来分类我的数据。特征是数字数据，结果是字符串/分类数据。我预测有15个不同的类别/类别。这就是我的代码的外观：

model = Sequential()
model.add(Dense(16, input_dim = x_train.shape[1], activation = 'relu')) # input layer requires input_dim param
model.add(Dense(16, activation = 'relu'))
model.add(Dense(16, activation = 'relu'))
model.add(Dense(1, activation='relu'))

model.compile(loss="binary_crossentropy", optimizer= "adam", metrics=['accuracy'])

#es = EarlyStopping(monitor='loss', min_delta=0.005, patience=1, verbose=1, mode='auto')
model.fit(x_train, y_train, epochs = 100, shuffle = True, batch_size=128, verbose=2)

scores = model.evaluate(x_test, y_test)
print(model.metrics_names[0], model.metrics_names[1])

问题是我总是遇到这样的错误：

ValueError: could not convert string to float 'category1'

我做错了什么

当我用整数替换我的类名“category1”、“category2”等时，我的代码可以工作，但它总是给我0的准确度。 我尝试更改节点数、层数和激活函数，但结果总是0。好像模型认为我在做回归而不是分类

---

如果我的分类值不只是1或0，那么使用Keras lib进行分类的正确方法是什么？

如果你有15个类，由标签0到14表示，你可以设置最后的致密层，其中包含15个神经元和激活乙状结肠

致密（15，…）

---

此外，如果您没有对数据进行一次热编码，请将

sparse\u categorical\u crossentropy

设置为丢失，将

sparse\u categorical\u accurity

设置为度量。

您需要将字符串类别转换为整数，有一种方法：

y_train = tf.keras.utils.to_categorical(y_train, num_classes=num_classes)

此外，多类分类的最后一层应该是：

model.add(Dense(NUM_CLASSES, activation='softmax'))

最后，对于多类分类，正确的损失是分类交叉熵

model.compile(loss="categorical_crossentropy", optimizer= "adam", metrics=['accuracy'])

---

这是tensorflow提供的一个很好的示例：

您没有正确的激活，对于二进制分类，您希望在输出层使用sigmoid，而不是ReLU。那就行了。我试过了，但是。还有，同样的错误，谢谢！有没有一种方法可以提高准确性和减少val_损失？你可以玩层，添加更多神经元，增加或减少层的数量。如果您注意到在训练时精度很好，但在测试集上显著降低，您可以添加一个退出层或查看正则化。这有助于使模型更加健壮。