我正在尝试使用Tensorflow/Keras来练习我的机器学习技能，但在模型拟合方面遇到了问题。让我解释一下我做了什么以及我目前的状况。
我使用的是Kaggle的哥斯达黎加家庭贫困水平预测挑战的数据集。
由于我只是想熟悉Tensorflow的工作流程，我通过删除一些缺失数据较多的列来清理数据集，然后用其他列的平均值填补。因此，我的数据集中没有缺失值。
接下来，我使用TF的make_csv_dataset加载了新的、清理后的csv文件。
batch_size = 32train_dataset = tf.data.experimental.make_csv_dataset( 'clean_train.csv', batch_size, column_names=column_names, label_name=label_name, num_epochs=1)我设置了一个函数来返回我的编译模型，如下所示：
f1_macro = tfa.metrics.F1Score(num_classes=4, average='macro')def get_compiled_model(): model = tf.keras.Sequential([ tf.keras.layers.Dense(512, activation=tf.nn.relu, input_shape=(137,)), # input shape required tf.keras.layers.Dense(256, activation=tf.nn.relu), tf.keras.layers.Dense(4, activation=tf.nn.softmax) ]) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=[f1_macro, 'accuracy']) return modelmodel = get_compiled_model()model.fit(train_dataset, epochs=15)以下是结果
我的笔记本链接在这里这里
我应该提到，我的实现是强烈基于Tensorflow的iris数据教程
谢谢！
回答：
过了一段时间后，我找到了你代码中的问题，它们按重要性排序。（第一个是最重要的）
-
你正在进行多类分类（不是二元分类）。因此，你的损失函数应该是
categorical_crossentropy。 -
你没有对标签进行onehot编码。使用
binary_crossentropy并将标签作为数字ID绝对不是正确的做法。相反，你应该对标签进行onehot编码，并像解决多类分类问题一样解决这个问题。以下是如何做到的。
def pack_features_vector(features, labels): """将特征打包成一个数组。""" features = tf.stack(list(features.values()), axis=1) return features, tf.one_hot(tf.cast(labels-1, tf.int32), depth=4)- 归一化你的数据。如果你查看你的训练数据，它们没有被归一化。数据值四处散布。因此，你应该考虑通过如下方式归一化你的数据。这只是为了演示目的。你应该阅读关于缩放器在scikit learn中的信息，并选择最适合你的方法。
x = train_df[feature_names].values #返回一个numpy数组min_max_scaler = preprocessing.StandardScaler()x_scaled = min_max_scaler.fit_transform(x)train_df = pd.DataFrame(x_scaled)这些问题应该能让你的模型走上正轨。
