Блог

Я разработал модель глубокого обучения, основанную на двунаправленном LSTM и выводе плотного слоя. Довольно запутанно, что вероятность вывода, полученная с использованием model.predict(x) совпадений с моей фактической меткой (одна горячая закодированная метка). Более того, model.predict_classes(x) выходные данные (0,1,2) также сбивают с толку. Как я могу связать эти выходные данные с моими исходными метками. Ниже приведен мой фрагмент кода для справки:

 model = Sequential()

model.add(Embedding(MAX_NB_WORDS, EMBEDDING_DIM, input_length=X.shape[1]))
model.add(SpatialDropout1D(0.5))


model.add(Bidirectional(tf.keras.layers.LSTM(250, return_sequences=True,activation='tanh')))
model.add(Bidirectional(tf.keras.layers.LSTM(250)))

model.add(Dropout(0.5))



model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
#model.compile(loss='binary_crossentropy', optimizer=Adam(), metrics=['accuracy'])
print(model.summary())

history = model.fit(X_train, Y_train, validation_data=(X_test, Y_test), batch_size=32, epochs=10)

model.predict_classes(test_doc)
model.predict(test_doc)

 

Если кто-нибудь, пожалуйста, помогите идентифицировать выходные данные с фактическими метками в этой последовательной модели.

Предполагая, что вы сделали одно горячее кодирование для своих меток (0, 1, 2), у вас будут векторы в качестве выходных данных вашей модели.

Так, например, если у вас есть экземпляр с классом 0, целевой вектор будет:

 [1, 0, 0]
 

если у вас есть экземпляр с классом 1, ваш целевой вектор будет:

 [0, 1, 0]
 

если у вас есть экземпляр с классом 2, ваш целевой вектор будет:

 [0, 0, 1]
 

Метод .predict даст вам вероятность для каждого класса в вашей цели. Итак, поскольку у вас есть 3 класса (0, 1, 2), вы получите вектор третьего размера с тремя вероятностями

 model.predict(x) # vector of size 3 with 3 probabilities
 

Что-то вроде этого:

 #class0, class1, class2
[0.31,   0.4,    0.29]
 

И эти вероятности будут равны 1, потому что вы использовали функцию активации softmax.

Метод .predict_classes выберет для вас класс с наибольшей вероятностью из вектора и выполнит декодирование

Итак, если у вас есть вектор вероятностей:

 #class0, class1, class2
[0.31,   0.4,    0.29]
 

вы получите 1, потому что максимальное значение в векторе — это значение с индексом 1 в целевом векторе, которое представляет класс 1

PS. Вы можете заставить модель выполнять одно горячее кодирование, изменив потерю как «sparse_categorical_crossentropy»:

 model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
 

Без использования pd.get_dummies(df['Sentiment']).value