TensorFlow训练LinearClassifier报错：标签需>=0，标签值为-1/1求解决

问题描述 #

训练TensorFlow的LinearClassifier时持续报错：

[Labels must be >= 0. ] [Condition x >= 0 did not hold element-wise:]

训练数据的标签列仅包含-1和1两种值，尝试调整n_classes参数后问题仍未解决。

原因分析 #

LinearClassifier作为Estimator框架下的分类器，要求标签必须是非负整数（如二分类场景下的0和1，多分类场景下的0,1,2...）。你的标签使用-1和1，不符合该分类器的输入要求；即使设置n_classes=2，它依然期望标签是0和1的组合，因此单纯调整n_classes无法解决问题。

解决方法 #

方法1：直接转换标签值 #

将标签中的-1替换为0，使其符合LinearClassifier的输入规范。可以在数据预处理阶段完成转换：

data = pd.read_csv('../../dataset.csv')

X = data.copy()
Y = X.pop('result')
# 核心修改：将-1替换为0
Y = Y.replace(-1, 0)

# 原代码中X = data.drop(columns=['result'])属于重复操作，可删除
df_train, df_valid, y_train, y_valid = train_test_split(X, Y, stratify=Y, train_size=0.80)

NUMERIC_COLUMNS = [...]

feature_columns = []
for feature_name in NUMERIC_COLUMNS:
    feature_columns.append(tf.feature_column.numeric_column(feature_name, dtype=tf.int64))

def make_input_fn(data_df, label_df, num_epochs=10, shuffle=True, batch_size=32):
    def input_function():
        ds = tf.data.Dataset.from_tensor_slices((dict(data_df), label_df))
        if shuffle:
            ds = ds.shuffle(1000)
        ds = ds.batch(batch_size).repeat(num_epochs)
        return ds
    return input_function

train_input_fn = make_input_fn(df_train, y_train)
eval_input_fn = make_input_fn(df_valid, y_valid, num_epochs=1, shuffle=False)

# 二分类场景显式指定n_classes=2，代码更清晰
linear_estimator = tf.estimator.LinearClassifier(feature_columns=feature_columns, n_classes=2)

linear_estimator.train(train_input_fn)
result = linear_estimator.evaluate(eval_input_fn)
print(result['accuracy'])

方法2：在输入函数中动态转换标签 #

如果不想修改原始数据集的标签，可以在输入函数内部完成转换，避免污染原始数据：

def make_input_fn(data_df, label_df, num_epochs=10, shuffle=True, batch_size=32):
    def input_function():
        # 在输入函数内转换标签
        processed_labels = label_df.replace(-1, 0)
        ds = tf.data.Dataset.from_tensor_slices((dict(data_df), processed_labels))
        if shuffle:
            ds = ds.shuffle(1000)
        ds = ds.batch(batch_size).repeat(num_epochs)
        return ds
    return input_function

额外优化 #

原代码中X = data.drop(columns=['result'])属于重复操作——因为之前已经通过Y = X.pop('result')从X中移除了result列，这行代码可以删除，减少不必要的计算。

内容的提问来源于stack exchange，提问作者Jonathon Meney