Я пытаюсь обучить многоуровневую прямую нейронную сеть для (Statlog) Набор данных челнока -
Это задача классификации нескольких классов.Атрибут target - «Класс».
Код, который у меня есть, следующий:
# Column names to be used for training and testing sets-
col_names = ['A1', 'A2', 'A3', 'A4', 'A5', 'A6', 'A7', 'A8', 'A9', 'Class']
# Read in training and testing datasets-
training_data = pd.read_csv("shuttle_training.csv", delimiter = ' ', names = col_names)
testing_data = pd.read_csv("shuttle_test.csv", delimiter = ' ', names = col_names)
print("\nTraining data dimension = {0} and testing data dimension = {1}\n".format(training_data.shape, testing_data.shape))
# Training data dimension = (43500, 10) and testing data dimension = (14500, 10)
# Data Preprocessing-
# Check for missing value(s) in training data-
training_data.isnull().values.any()
# False
# Get target attribute class distribution-
training_data["Class"].value_counts()
'''
1 34108
4 6748
5 2458
3 132
2 37
7 11
6 6
Name: Class, dtype: int64
'''
# NOTE: Majority of instances belong to class 1
# Visualizing the distribution of each attribute in dataset using boxplots-
fig=plt.figure(figsize=(18, 16), dpi= 80, facecolor='w', edgecolor='k')
sns.boxplot(data = training_data)
plt.xticks(rotation = 20)
plt.show()
# # To divide the data into attributes and labels, execute the following code:
# 'X' contains attributes
X = training_data.drop('Class', axis = 1)
# Convert 'X' to float-
X = X.values.astype("float")
# 'y' contains labels
y = training_data['Class']
# Normalize features (X)-
rb_scaler = RobustScaler()
X_std = rb_scaler.fit_transform(X)
# Divide attributes & labels into training & testing sets-
X_train, X_test, y_train, y_test = train_test_split(X_std, y, test_size = 0.30, stratify = y)
print("\nDimensions of training and testing sets are:")
print("X_train = {0}, y_train = {1}, X_test = {2} and y_test = {3}\n\n".format(X_train.shape, y_train.shape, X_test.shape, y_test.shape))
# Dimensions of training and testing sets are:
# X_train = (30450, 9), y_train = (30450,), X_test = (13050, 9) and y_test = (13050,)
from keras.models import Sequential
from keras.layers import Dense
from sklearn.model_selection import StratifiedKFold
from sklearn.pipeline import Pipeline
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
# Create Neural Network model-
model = Sequential()
# Input layer-
model.add(Dense(9, input_dim = 9, kernel_initializer = 'normal', activation = 'relu'))
# Hidden layer(s)-
model.add(Dense(9, kernel_initializer = 'normal', activation='relu'))
# Output layer-
model.add(Dense(7, activation = 'softmax')) # 7 output neurons for 7 classes in target attribute
# Compile NN model-
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
'''
Layer (type) Output Shape Param #
=================================================================
dense_1 (Dense) (None, 9) 90
_________________________________________________________________
dense_2 (Dense) (None, 9) 90
_________________________________________________________________
dense_3 (Dense) (None, 7) 70
=================================================================
Total params: 250
Trainable params: 250
Non-trainable params: 0
_________________________________________________________________
'' '
# Train model on training data-
history = model.fit(X_train, y_train, epochs = 200, batch_size = 50, validation_data = (X_test, y_test), verbose = 1, shuffle = False)
Это дает мне ошибку-
ValueError: Ошибка при проверке цели: ожидается, что плотность_3 будет иметь форму (7,), но получен массив с формой (1,)
Ну, в соответствии с классом'Атрибут (который является нашей целью), кажется, в общей сложности 7 классов (хотя с серьезным дисбалансом классов).Так почему я получаю эту ошибку?Есть какие-нибудь подсказки?
Спасибо!
Ошибка трассировки -
--------------------------------------------------------------------------- Traceback ValueError (последний вызов был последним) в ----> 1 history = model.fit (X_train, y_train, epochs = 200, batch_size = 50, validation_data = (X_test, y_test), verbose = 1, shuffle= False)
~ / .local / lib / python3.6 / site-packages / keras / engine / training.py в соответствии (self, x, y, batch_size, epochs, verbose, callbacks, validation_split,validation_data, shuffle, class_weight, sample_weight, initial_epoch, steps_per_epoch, validation_steps, ** kwargs) 950 sample_weight = sample_weight, 951 class_weight = class_weight, -> 952 batch_size = batch_size) 953 # Подготовить данные проверки.954 do_validation = False
~ / .local / lib / python3.6 / site-packages / keras / engine / training.py в _standardize_user_data (self, x, y, sample_weight, class_weight, check_array_lengths, batch_size) 787feed_output_shapes, 788 check_batch_axis = False, # Не применять размер пакета.-> 789 exception_prefix = 'target') 790 791 # Генерировать значения веса выборки с учетом sample_weight и
~ / .local / lib / python3.6 / site-packages / keras / engine /training_utils.py в standardize_input_data (данные, имена, формы, check_batch_axis, exception_prefix) 136 ': ожидается' + names [i] + 'иметь форму' + 137 str (shape) + ', но получил массив с формой' + ->138 str (data_shape)) 139 возвращает данные 140
ValueError: Ошибка при проверке цели: ожидается, что плотность_3 имеет форму (7,), но получен массив с формой (1,)