标签大小与目标名称不同：Tensorflow 多输入回归转换为分类

我正在尝试将一个多输入混合输入（文本、图像）的Keras模型从回归输出（房价）转换为分类输出（卧室数量）。特别是，我正在修改这个教程

将其改为分类器。我有一些关于类别数量的技术问题，并且我还遇到一个我不完全理解的错误。

我已经将网络的最后一层改为softmax：

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

然而，我只有10个类别（数据集涵盖了1到10个卧室的房子）。但是当我使用Dense(10,…)时，我得到了以下错误：

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

我理解这个错误，以及如何避免它，但为什么[0,10)的范围不足以覆盖没有0个卧室的房子呢？

当我尝试获取分类报告时，我收到了两个警告：

UserWarning: 标签大小为6，不匹配目标名称的大小10 UndefinedMetricWarning: 精确度和F分数在没有预测样本的标签中未定义并被设为0.0。

我认为这些警告可能是由于我的分类报告只包含了1到6个卧室的房子。但我不确定 – 任何你能提供的见解都将不胜感激。

回答：

通常在机器学习中，对于N个类别的标签被编码为0到N-1的整数范围，因为这直接映射到类别索引，所以你可以使用argmax从模型输出中恢复它们。

因此，你需要以相同的方式编码你的标签，最简单的方法是将你的[1, 10]标签转换为[0, 9]，通过从每个标签中减去1来实现，并且要从模型输出中获取卧室数量，你需要在输出标签上加1。

学技术