标签大小与 target_names 不同：Tensorflow 多输入回归转换为分类

Question

我正在尝试将多输入混合输入（txt、图像）keras 模型从回归输出（房价）转换为分类输出（卧室数量）。特别是，我正在修改本教程

https://www.pyimagesearch.com/2019/02/04/keras-multiple-inputs-and-mixed-data/

成为一个分类器。我有几个关于类别数量的技术问题，而且我还收到一个我不完全理解的错误。

我已将网络的最后一层更改为 softmax：

x = Dense(11, activation="softmax")(x)

但是我只有 10 个类别（数据集涵盖了具有 1-10 间卧室的房屋）。但是使用 Dense(10,...) 我得到以下错误：

InvalidArgumentError：收到的标签值 10 超出了 [0, 10) 的有效范围。标签值：3 2 5 2 10 3 2 5

我了解该错误以及如何避免该错误，但鉴于我没有 0 间卧室的房屋，为什么范围 [0,10) 不够？

当我尝试获取分类报告时，我收到两个警告：

用户警告：标签大小，6，与目标名称的大小不匹配，10 UndefinedMetricWarning：精度和 F 分数定义不明确，并且 在没有预测样本的标签中设置为 0.0。

我认为这可能是因为我的分类报告仅包含 1-6 间卧室的房屋。但我不确定 - 如果您能提供任何见解，我们将不胜感激。

我的代码和数据集可以从这里克隆： https://github.com/davidrtfraser/blog-keras-multi-input

Answer 1

通常在机器学习中，N 个类的标签被编码为 0 到 N - 1 范围内的整数，因为这直接从类索引映射，因此您可以使用 argmax 从模型输出中恢复它们。

因此您需要以相同的方式对标签进行编码，最简单的方法是通过从每个标签中减去一个来将您的 [1, 10] 标签减去 [0, 9]，并从模型输出中获取卧室数量，您给输出标签加一。