我正在处理的数据集包含一个8传感器气体传感器阵列的读数。传感器的响应取决于气体刺激（甲烷，乙烯等）和气体浓度（20 ppm，50 ppm等）。数据集包含640个样本，每个样本的形状为(6000,8)，因为阵列上有8个传感器。(传感器阵列对100ppm甲烷的响应)
我的任务是建立一个模型来预测传感器阵列读数的类别（该读数来自哪种气体），然后预测该气体的浓度。
到目前为止，我已经构建了一个基于1D卷积层的分类模型，该模型成功地将样本分类为四类（气体），准确率为98%。
我该如何预测气体的浓度值？是否可以对已分类的样本进行回归分析，或者我应该寻找完全不同的方法？
回答：
对于这个任务，我会构建一个像这样的多输出神经网络：
from tensorflow.keras.layers import Input, Densefrom tensorflow.keras.models import Modelinp = Input(shape=(n_features,))hidden1 = Dense(20, activation='relu', kernel_initializer='he_normal')(inp)hidden2 = Dense(10, activation='relu', kernel_initializer='he_normal')(hidden1)out_reg = Dense(1, activation='linear')(hidden2)out_class = Dense(n_class, activation='softmax')(hidden2)model = Model(inputs=inp, outputs=[out_reg, out_class])model.compile(loss=['mse','sparse_categorical_crossentropy'], optimizer='adam')model.fit(X_train, [y_train_reg, y_train_class], epochs=150, batch_size=32, verbose=2)一个输出用于回归，另一个用于分类。下面是神经网络架构的图像：
如果你不知道如何创建这样的网络，请阅读文档。
