将pandas数据框转换为keras的分类数据

我正在尝试用Python预处理数据，以便用于深度学习的keras函数。

我在模型训练中使用categorical crossentropy作为损失函数。它要求目标变量为分类变量。

我的目标数据样本：

    y_train = y_train.astype('category')    y_train.head()

            truth        0   0        1   0        2   1        3   0        4   0

当我尝试将数据框列转换为分类数据时：

    num_classes=2    y_train = keras.utils.to_categorical(y_train, num_classes)

出现了错误：IndexError: index 1 is out of bounds for axis 1 with size 1。

我该如何正确转换数据呢？

顺便问一下，如果我有3800个观测样本，每个样本有2300个数值型（float32）特征，这些特征主要描述图形对象，哪种keras模型更适合二分类（是/否）问题呢？

回答：

遗憾的是，我无法重现你的错误。运行以下代码：

a=pd.DataFrame(np.concatenate([np.zeros(3),np.ones(3)]) ).astype('int').astype('category')from keras.utils import to_categoricalto_categorical(a, 2)

我得到的输出是：

array([[1., 0.],       [1., 0.],       [1., 0.],       [0., 1.],       [0., 1.],       [0., 1.]], dtype=float32)

也许是版本问题！

好消息是，对于二分类问题，你不需要使用categorical_crossentropy。你可以使用binary_crossentropy损失函数，并直接将你的y_train作为目标输入模型。

关于你最后的问题，哪种keras模型更适合二分类，Keras的预训练模型主要是针对图像的。你似乎有表格数据，因此你无法使用预训练模型，而是需要自己运行一个自定义模型。

学技术