我的问题是关于使用tflearn编写一个进行回归（而不是分类）的神经网络的代码。
数据集：
fixed acidity volatile acidity citric acid ... alcohol quality 7.4 0.700 0.00 ... 9.4 5 7.8 0.880 0.00 ... 9.8 5 7.8 0.760 0.04 ... 9.8 5 11.2 0.280 0.56 ... 9.8 6 7.4 0.700 0.00 ... 9.4 5 我想构建一个神经网络，它接受11个特征（葡萄酒中的化学值）并输出或预测一个分数，即质量（满分10分）。我不想对葡萄酒进行分类，如质量_1、质量_2等。我希望模型对我的特征执行回归函数，并预测一个10分内的值（甚至可以是浮点数）。
我的数据中的质量列只有值=[3, 4, 5, 6, 7, 8, 9]。它不包含1、2和10。
由于缺乏经验，我只能编写一个将葡萄酒分类为[score_3, score_4,…]等类别的神经网络，并且我使用了一热编码来实现这一点。
处理后的数据：
特征：
[[ 7.5999999 0.23 0.25999999 ..., 3.02999997 0.44 9.19999981] [ 6.9000001 0.23 0.34999999 ..., 2.79999995 0.54000002 11. ] [ 6.69999981 0.17 0.37 ..., 3.25999999 0.60000002 10.80000019] ..., [ 6.30000019 0.28 0.47 ..., 3.11999989 0.50999999 9.5 ] [ 5.19999981 0.64499998 0. ..., 3.77999997 0.61000001 12.5 ] [ 8. 0.23999999 0.47999999 ..., 3.23000002 0.69999999 10. ]]标签：
[[ 0. 1. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 1. 0. 0.] ..., [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 0. ..., 0. 0. 0.] [ 0. 0. 1. ..., 0. 0. 0.]]用于将数据分类到不同类别的神经网络代码：
import pandas as pdimport numpy as npimport tflearnfrom tflearn.layers.core import input_data, fully_connectedfrom tflearn.layers.estimator import regressionfrom sklearn.model_selection import train_test_splitdef preprocess(): data_source_red = 'F:\Gautam\...\Datasets\winequality-red.csv' data_red = pd.read_csv(data_source_red, index_col=False, sep=';') data = pd.get_dummies(data, columns=['quality'], prefix=['score']) x = data[data.columns[0:11]].values y = data[data.columns[11:18]].values x = np.float32(x) y = np.float32(y) return (x, y)x, y = preprocess()train_x, test_x, train_y, test_y = train_test_split(x, y, test_size = 0.2)network = input_data(shape=[None, 11], name='Input_layer')network = fully_connected(network, 10, activation='relu', name='Hidden_layer_1')network = fully_connected(network, 10, activation='relu', name='Hidden_layer_2')network = fully_connected(network, 7, activation='softmax', name='Output_layer')network = regression(network, batch_size=2, optimizer='adam', learning_rate=0.01)model = tflearn.DNN(network)model.fit(train_x, train_y, show_metric=True, run_id='wine_regression', validation_set=0.1, n_epoch=1000)上面的神经网络表现不佳（准确率=0.40）。此外，它将数据分类到不同的类别中。我想知道如何编写一个回归神经网络，它可以为输入特征提供一个10分内的分数（而不是分类）。我更喜欢使用tflearn，因为我对它比较熟悉。
回答：
这是你的代码中使你的网络成为具有七个类别的分类器而不是回归器的一行：
network = fully_connected(network, 7, activation='softmax', name='Output_layer')我不再使用TFLearn了，我已经转向使用Keras（它与TFLearn相似，并且有更好的支持）。然而，我建议你使用以下输出层代替：
network = fully_connected(network, 1, activation='linear', name='Output_layer')此外，你的训练数据也需要更改。如果你想进行回归，你需要一个一维标量标签。我假设你仍然拥有原始数据，你说你已经更改了它？如果没有，UC Irvine机器学习数据仓库有带有单一数值质量列的葡萄酒质量数据。
