Python 如何使用lstm执行多类多输出分类
我有Python 如何使用lstm执行多类多输出分类,python,keras,scikit-learn,classification,lstm,Python,Keras,Scikit Learn,Classification,Lstm,我有多类多输出分类（有关详细信息，请参阅）。换句话说，我的数据集如下所示 node_name, timeseries_1, timeseries_2, label_1, label_2 node1, [1.2, ...], [1.8, ...], 0, 2 node2, [1.0, ...], [1.1, ...], 1, 1 node3, [1.9, ...], [1.2, ...], 0, 3 ... ... ... def create_network(): model = S
多类多输出分类node_name, timeseries_1, timeseries_2, label_1, label_2
node1, [1.2, ...], [1.8, ...], 0, 2
node2, [1.0, ...], [1.1, ...], 1, 1
node3, [1.9, ...], [1.2, ...], 0, 3
...
...
...
def create_network():
model = Sequential()
model.add(LSTM(200, input_shape=(16,2)))
model.add(Dense(100))
model.add(Dropout(0.2))
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
neural_network = KerasClassifier(build_fn=create_network, epochs=100, batch_size=100, verbose=0)
k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=0)
scores = cross_validate(neural_network, my_features, label_data_encoded, cv=k_fold, scoring = ('accuracy', 'precision_weighted', 'recall_weighted', 'f1_weighted', 'roc_auc'))
label_101label_2012node_name, timeseries_1, timeseries_2, label_1, label_2
node1, [1.2, ...], [1.8, ...], 0, 2
node2, [1.0, ...], [1.1, ...], 1, 1
node3, [1.9, ...], [1.2, ...], 0, 3
...
...
...
def create_network():
model = Sequential()
model.add(LSTM(200, input_shape=(16,2)))
model.add(Dense(100))
model.add(Dropout(0.2))
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
neural_network = KerasClassifier(build_fn=create_network, epochs=100, batch_size=100, verbose=0)
k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=0)
scores = cross_validate(neural_network, my_features, label_data_encoded, cv=k_fold, scoring = ('accuracy', 'precision_weighted', 'recall_weighted', 'f1_weighted', 'roc_auc'))
node_name, timeseries_1, timeseries_2, label_1, label_2
node1, [1.2, ...], [1.8, ...], 0, 2
node2, [1.0, ...], [1.1, ...], 1, 1
node3, [1.9, ...], [1.2, ...], 0, 3
...
...
...
def create_network():
model = Sequential()
model.add(LSTM(200, input_shape=(16,2)))
model.add(Dense(100))
model.add(Dropout(0.2))
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
neural_network = KerasClassifier(build_fn=create_network, epochs=100, batch_size=100, verbose=0)
k_fold = StratifiedKFold(n_splits=10, shuffle=True, random_state=0)
scores = cross_validate(neural_network, my_features, label_data_encoded, cv=k_fold, scoring = ('accuracy', 'precision_weighted', 'recall_weighted', 'f1_weighted', 'roc_auc'))
- 由于我有两个标签（即
和label_1
），如何使这些标签适合lstm模型？我是否必须执行类似于label_2
和keras.utils.to_category（label_1，2）keras.utils.to_category（label_2，3） - 如何更改模型以使其适用于
多类多输出分类
如果需要，我很乐意提供更多细节。如果我理解正确，标签1是二进制的，而标签2是一个多类问题，因此我们需要模型有两个输出，具有单独的损耗函数；二元交叉熵和分类交叉熵 但是，顺序API不允许多个输入/输出 顺序API允许您为大多数问题逐层创建模型。它的局限性在于它不允许您创建共享图层或具有多个输入或输出的模型 您可以使用函数API创建两个输出层，并使用所需的函数编译模型
X=Input(input_shape)
X=Layer(X)
'
'
'
'
out1=Dense(1, activation='sigmoid')(X)
out2=Dense(3, activation='softmax')(X)
model = Model(inputs = input, outputs = [out1,out2])
model.compile(loss = ['binary_crossentropy','categorical_crossentropy'], loss_weights = [l1,l2], ...)
model.fit(input,[label_1, label_2_toCategotical]
希望这有帮助：）这是一个有点复杂的问题，因为用于多类多输出的Scikit Learn API和Keras API并不直接兼容。此外，TensorFlow v1和v2处理问题的方式甚至存在差异。现有的Keras包装器并不适用于更复杂的情况 我创建了一个扩展的
KerasClassifierKerasClassifiertarget\u encoder希望这有帮助 非常感谢你的回答。这正是我想要的。不过，我还有一个问题。既然
kerasclassifierl1l2