web-dev-qa-db-ja.com

混乱マトリックスエラー「分類メトリックは、マルチベルインジケータとマルチクラスターゲットのミックスを処理できません」

私はAを手に入れています

Classification metrics can't handle a mix of multilabel-indicator and multiclass targets

混乱マトリックスを使用しようとするとエラーが発生しました。

私は私の最初の深い学習プロジェクトをしています。私はそれに新しいです。私はKerasによって提供されたMNISTデータセットを使用しています。私は私のモデルを首尾よく訓練し、テストしました。

ただし、Scikit Learn Confusion Matrixを使用しようとすると、上記のエラーが発生しました。私は答えを検索しました、そしてこのエラーに答えがある間、それらのどれも私のために働いていませんでした。私がオンラインで見つけたものから、損失関数と関係があるものがあります（私のコードでcategorical_crossentropyを使用します）。 sparse_categorical_crossentropyに変更しようとしましたが、それはただ私に

Error when checking target: expected dense_2 to have shape (1,) but got array with shape (10,)

モデルのfit()機能を実行すると。

これがコードです。 （私は簡潔さのために輸入を除外しました）

model = Sequential()
model.add(Dense(512, activation='relu', input_shape=(28 * 28,)))
model.add(Dense(10, activation='softmax')) 

model.compile(optimizer='Adam', loss='categorical_crossentropy', metrics=['accuracy'])

(train_images, train_labels), (test_images, test_labels) = mnist.load_data()

train_images = train_images.reshape((60000, 28 * 28))
train_images = train_images.astype('float32') / 255

test_images = test_images.reshape((10000, 28 * 28))
test_images = test_images.astype('float32') / 255

train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

model.fit(train_images, train_labels, epochs=10, batch_size=128)

rounded_predictions = model.predict_classes(test_images, batch_size=128, verbose=0)

cm = confusion_matrix(test_labels, rounded_predictions)

どうすればいいですか？

pythonmachine-learningkerasscikit-learnconfusion-matrix
7
Elijah

同じ問題が繰り返されます ここで 、解決策は全体的に同じです。だからこそ、その質問は閉じられ、答えを受け取ることができません。だから私はこれに対する答えを追加するのが好きです 質問 ここにそれが違法ではないことを願っています。

以下のコードは自明です。 @desertnautは正確な理由を与えたので、より多くのものを説明する必要はありません。 Question の作者は、予測機能をfit関数に別々に渡しようとしました。

import numpy as np
import pandas as pd 
import tensorflow as tf 
from sklearn.model_selection import train_test_split
from tensorflow.keras.applications.resnet50 import ResNet50

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

x_train = np.expand_dims(x_train, axis=-1)
x_train = np.repeat(x_train, 3, axis=-1)
x_train = x_train.astype('float32') / 255
y_train = tf.keras.utils.to_categorical(y_train, num_classes=10)

print(x_train.shape, y_train.shape)
# (60000, 28, 28, 3) (60000, 10)
 _

訓練前の重みからの特徴を抽出する（転送学習）。

base_model = ResNet50(weights='imagenet', include_top=False)
pred_x_train = base_model.predict(x_train)
pred_x_train.shape
# (60000, 1, 1, 2048)
 _

さらなるトレーニングプロセスのために再構築してください。

pred_x_train = pred_x_train.reshape(60000, 1*1*2048)
pred_x_train.shape
# (60000, 2048)
 _

順次APIを持つモデル。

model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(512, activation='relu', input_shape=(2048,)))
model.add(tf.keras.layers.Dropout(0.5))
model.add(tf.keras.layers.Dense(10, activation='softmax'))
 _

コンパイルして実行します。

model.compile(loss='categorical_crossentropy',optimizer='Adam',metrics=['accuracy'])
model.fit(pred_x_train, y_train, epochs=2, verbose=2)

Epoch 1/2
1875/1875 - 4s - loss: 0.6993 - accuracy: 0.7744
Epoch 2/2
1875/1875 - 4s - loss: 0.4451 - accuracy: 0.8572
 _

評価。

from sklearn.metrics import classification_report

# predict 
pred = model.predict(pred_x_train, batch_size = 32)
pred = np.argmax(predictions, axis=1)
# label
y_train = np.argmax(y_train, axis=1)

print(y_train.shape, pred.shape)
print(y_train[:5], pred[:5])
# (60000,) (60000,)
# [5 0 4 1 9] [5 0 4 1 9]
 _
print(classification_report(y_train, pred))

              precision    recall  f1-score   support

           0       0.95      0.97      0.96      5923
           1       0.97      0.99      0.98      6742
           2       0.90      0.94      0.92      5958
           3       0.89      0.91      0.90      6131
           4       0.97      0.89      0.93      5842
           5       0.88      0.91      0.89      5421
           6       0.95      0.97      0.96      5918
           7       0.94      0.95      0.94      6265
           8       0.94      0.78      0.85      5851
           9       0.87      0.93      0.90      5949

    accuracy                           0.93     60000
   macro avg       0.93      0.92      0.92     60000
weighted avg       0.93      0.93      0.92     60000
 _
0
M.Innat