如何使用TensorFlow子类化方法完成二分类任务并解决预测异常问题

核心原因 #

• 你当前模型输出维度和预期不符：最后一层定义为layers.Dense(2, activation = 'sigmoid')，调用predict得到的prediction是形状为(样本数, 2)的二维数组，每一行对应样本属于类别0、类别1的两个概率值，你直接将二维数组传入仅定义了1列的DataFrame，自然无法得到预期结果。
• 额外存在训练逻辑不匹配的问题：你的标签Y_train_nur是0/1格式的稀疏整数标签，但你编译时使用的损失函数CategoricalCrossentropy要求输入独热编码格式的标签，训练时损失计算本身就存在错误。

修复方案 #

方案1：保留当前2输出神经元的写法 #

1. 先修正损失函数配置，将编译时的损失替换为适配稀疏整数标签的SparseCategoricalCrossentropy：

ChurnClassifier.compile(optimizer = 'adam',
                        loss=tf.keras.losses.SparseCategoricalCrossentropy(),
                        metrics = ['accuracy'])

2. 预测后取概率最大的下标作为类别标签，再转换为DataFrame：

# 取每行概率最高的下标作为预测类别
pred_class = np.argmax(prediction, axis=1)
pred_y = pd.DataFrame(pred_class, columns=['pred_y']) 

方案2：切换为更适配二分类的写法 #

二分类任务更推荐使用单神经元输出，可简化后续处理逻辑：

1. 修改模型最后一层、损失函数配置：

class ChurnClassifier(Model):
    def __init__(self):
        super(ChurnClassifier, self).__init__()
        self.layer1 = layers.Dense(20, input_dim = 20, activation = 'relu')
        self.layer2 = layers.Dense(41, activation = 'relu')
        self.layer3 = layers.Dense(83, activation = 'relu')
        # 改为单神经元输出，用sigmoid激活输出0-1之间的概率
        self.layer4 = layers.Dense(1,  activation = 'sigmoid')
        
    def call(self, inputs):
        x = self.layer1(inputs)
        x = self.layer2(x)
        x = self.layer3(x)
        return self.layer4(x)
        
ChurnClassifier = ChurnClassifier()
# 损失换为二分类交叉熵
ChurnClassifier.compile(optimizer = 'adam',
                        loss=tf.keras.losses.BinaryCrossentropy(),
                       metrics = ['accuracy'])

2. 预测后按阈值（通常取0.5）转换为0/1类别，再生成DataFrame：

prediction = ChurnClassifier.predict(X_val_nur)
# 概率大于0.5判定为类别1，否则为类别0
pred_class = (prediction > 0.5).astype(int)
pred_y = pd.DataFrame(pred_class, columns=['pred_y']) 

内容的提问来源于stack exchange，提问作者Sourodip Kundu