基于TensorFlow神经网络绘制情绪预测趋势线的问题排查

报错原因分析 #

1. StandardScaler特征名警告：你用StandardScaler拟合时传入的是带列名的DataFrame，但生成趋势线时传入的是无列名的numpy数组，两者格式不匹配触发警告。
2. 输入验证失败：用户输入处理逻辑未正确校验数值转换，或输入维度与模型要求不符。
3. 趋势线预测失败：绘制单特征趋势线时，未固定其他两个特征的取值（模型需要3个特征输入），导致输入维度错误。

修正后的完整代码 #

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split

# 1. 数据读取与预处理
df = pd.read_csv('your_data.csv')  # 替换为你的CSV文件路径
features = ['mean_sound', 'max_sound', 'min_sound']
target = 'average_mood'

X = df[features]
y = df[target]

# 数据拆分与标准化
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 2. 构建并训练TensorFlow神经网络
model = tf.keras.Sequential([
    tf.keras.layers.Dense(32, activation='relu', input_shape=(3,)),
    tf.keras.layers.Dense(16, activation='relu'),
    tf.keras.layers.Dense(1)
])

model.compile(optimizer='adam', loss='mse', metrics=['mae'])
model.fit(X_train_scaled, y_train, epochs=50, batch_size=8, validation_split=0.1, verbose=1)

# 3. 用户输入处理函数
def get_user_prediction():
    try:
        mean = float(input("输入mean_sound值: "))
        max_val = float(input("输入max_sound值: "))
        min_val = float(input("输入min_sound值: "))
        
        # 构造带特征名的DataFrame，避免Scaler警告
        user_input = pd.DataFrame([[mean, max_val, min_val]], columns=features)
        user_input_scaled = scaler.transform(user_input)
        prediction = model.predict(user_input_scaled, verbose=0)[0][0]
        print(f"预测的average_mood得分: {prediction:.2f}")
    except ValueError:
        print("Invalid input. Please enter numeric values.")
    except Exception as e:
        print(f"At least one prediction failed. Error: {str(e)}")

# 4. 绘制单特征趋势线（神经网络生成）
def plot_feature_trend(feature_name):
    # 固定其他两个特征为训练集的均值
    other_features = [f for f in features if f != feature_name]
    fixed_vals = X_train[other_features].mean().values
    
    # 生成当前特征的取值范围（覆盖数据的min到max）
    feature_min = X_train[feature_name].min()
    feature_max = X_train[feature_name].max()
    feature_range = np.linspace(feature_min, feature_max, 100)
    
    # 构造完整的输入数据（带特征名的DataFrame）
    trend_data = []
    for val in feature_range:
        row = {feature_name: val}
        for f, v in zip(other_features, fixed_vals):
            row[f] = v
        trend_data.append(row)
    trend_df = pd.DataFrame(trend_data)
    
    # 标准化后预测
    trend_scaled = scaler.transform(trend_df)
    trend_predictions = model.predict(trend_scaled, verbose=0).flatten()
    
    # 绘制散点图+趋势线
    plt.figure(figsize=(8,5))
    plt.scatter(df[feature_name], df[target], label='原始数据', alpha=0.6)
    plt.plot(feature_range, trend_predictions, 'r-', linewidth=2, label='神经网络趋势线')
    plt.xlabel(feature_name)
    plt.ylabel('average_mood')
    plt.title(f'{feature_name} 与 average_mood 的关系')
    plt.legend()
    plt.grid(True)
    plt.show()

# 运行示例
if __name__ == "__main__":
    # 绘制三个特征的趋势线
    for feat in features:
        plot_feature_trend(feat)
    # 启动用户输入预测
    get_user_prediction()

关键修正点 #

• 解决Scaler警告：所有预测输入（包括用户输入和趋势线数据）都用带特征名的DataFrame传递给scaler.transform()，与拟合时的输入格式一致。
• 趋势线生成逻辑：绘制单个特征的趋势线时，固定另外两个特征为训练集的均值，确保模型接收的是3维输入（符合模型输入要求）。
• 输入验证优化：简化异常捕获逻辑，明确错误类型，同时保证用户输入的格式与模型要求匹配。
• 维度匹配：确保所有输入到模型的数据都是(None, 3)的形状，避免维度不匹配导致的预测失败。

内容的提问来源于stack exchange，提问作者Keilan Noonan Kessie