搭建贷款资格预测TensorFlow模型时遇输入形状不兼容错误求助

核心错误原因 #

错误提示ValueError: Input 0 of layer "sequential" is incompatible with the layer: expected shape=(None, 614, 11), found shape=(None, 11)，根源在于Input层的形状定义错误：

• x.shape返回的是整个数据集的形状(样本数, 特征数)即(614,11)，而Keras的Input(shape=...)需要的是单个样本的特征形状，应该是(11,)。

额外需要修复的问题 #

你的代码还忽略了两个关键步骤，即使修复Input形状后也会报错：

1. 分类特征未编码：数据集中的Gender、Married、Dependents等是字符串类型，模型无法直接处理，需要转为数值。
2. 缺失值未处理：数据集中存在NaN值，必须填充或删除后才能训练。

完整修复代码 #

import pandas as pd
import tensorflow as tf
from sklearn.preprocessing import LabelEncoder
from sklearn.impute import SimpleImputer

# 加载数据集
dataset = pd.read_csv('/Users/XXX/loan-eligibility-predictor/loan-train.csv')
x = dataset.drop(columns=['Loan_Status'])
y = dataset['Loan_Status']

# 1. 处理分类特征编码
categorical_cols = ['Gender', 'Married', 'Dependents', 'Education', 'Self_Employed', 'Property_Area', 'Loan_ID']
le = LabelEncoder()
for col in categorical_cols:
    x[col] = le.fit_transform(x[col].astype(str))  # 转为字符串避免NaN报错

# 2. 处理缺失值
imputer = SimpleImputer(strategy='mean')
x = imputer.fit_transform(x)

# 3. 标签编码（Loan_Status是Y/N）
y = le.fit_transform(y)

# 构建模型：修复Input层形状
model = tf.keras.models.Sequential()
model.add(tf.keras.Input(shape=(x.shape[1],)))  # 单个样本的特征数：11
model.add(tf.keras.layers.Dense(256, activation='sigmoid'))
model.add(tf.keras.layers.Dense(256, activation='sigmoid'))
model.add(tf.keras.layers.Dense(1, activation='sigmoid'))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(x, y, epochs=1000)

关键修改点说明 #

• Input层形状：用x.shape[1]获取单个样本的特征数，确保输入形状匹配。
• 分类特征编码：使用LabelEncoder将字符串特征转为数值，注意先把列转为字符串处理缺失的分类值。
• 缺失值处理：用SimpleImputer以均值填充数值型缺失值，也可根据需求选择中位数、众数等策略。
• 标签编码：将Loan_Status的Y/N转为1/0，适配二元交叉熵损失。

内容的提问来源于stack exchange，提问作者OLLY