Как реализовать нейронную сеть с несколькими метками с помощью keras - PullRequest
Новая
       42

Как реализовать нейронную сеть с несколькими метками с помощью keras

0 голосов
/ 16 февраля 2019

Я пытаюсь реализовать нейронную сеть, используя Keras, с проблемой, которая включает в себя многослойную классификацию.Я понимаю, что одним из способов решения этой проблемы является преобразование ее в несколько задач двоичной классификации.Я реализовал один из них, но не уверен, как поступить с другими, в основном, как мне их объединить?Мой набор данных имеет 5 входных переменных и 5 меток.Обычно одна выборка данных будет иметь 1-2 метки.Редко иметь более двух ярлыков.

Вот мой код (спасибо machinelearningmastery.com): 

import numpy
import pandas
from keras.models import Sequential
from keras.layers import Dense
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import StratifiedKFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline


# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)


# load dataset
dataframe = pandas.read_csv("Realdata.csv", header=None)
dataset = dataframe.values
# split into input (X) and output (Y) variables
X = dataset[:,0:5].astype(float)
Y = dataset[:,5]


# encode class values as integers
encoder = LabelEncoder()
encoder.fit(Y)
encoded_Y = encoder.transform(Y)


# baseline model
def create_baseline():
    # create model
    model = Sequential()
    model.add(Dense(5, input_dim=5, kernel_initializer='normal', activation='relu'))
    model.add(Dense(1, kernel_initializer='normal', activation='sigmoid'))
    # Compile model
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    scores = model.evaluate(X, encoded_Y)
    print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
    #Make predictions....change the model.predict to whatever you want instead of X
    predictions = model.predict(X)
    # round predictions
    rounded = [round(x[0]) for x in predictions]
    print(rounded)
    return model


# evaluate model with standardized dataset
estimator = KerasClassifier(build_fn=create_baseline, epochs=100, batch_size=5, verbose=0)
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
results = cross_val_score(estimator, X, encoded_Y, cv=kfold)
print("Results: %.2f%% (%.2f%%)" % (results.mean()*100, results.std()*100))

Большое спасибо всем, кто может дать мне какое-то указание.Я оглянулся, но не смог найти конкретный пример.

1 Ответ

0 голосов
/ 16 февраля 2019

Подход, к которому вы обращаетесь, это стратегия один против всех или один против одного для классификации по нескольким меткам.Однако при использовании нейронной сети наиболее простым решением проблемы классификации по нескольким меткам с 5 метками является использование одной модели с 5 выходными узлами.С keras: 

model = Sequential()
model.add(Dense(5, input_dim=5, kernel_initializer='normal', activation='relu'))
model.add(Dense(5, kernel_initializer='normal', activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='sgd')

Вы можете предоставить обучающие метки в виде двоично-закодированных векторов длины 5. Например, пример, соответствующий классам 2 и 3, будет иметь метку [0 1 1 0 0].

...