如何为Keras模型输入多特征数据集并适配简单CNN模型？

嘿，作为Keras新手碰到这种混合特征的问题太正常了，别担心！我一步步给你拆解怎么把这个数据集接到CNN模型里～

你的数据有文本、数值、多分类标签三种类型，得分别处理：

1. 处理文本特征（Subject + message） #

CNN擅长处理序列数据，但文字得先转成模型能理解的数值序列：

• 先把Subject和message合并成一个字段（比如combined_text = df['Subject'] + ' ' + df['message']），这样模型能同时学习标题和内容的信息；
• 用Keras的Tokenizer来分词、转序列：

  from tensorflow.keras.preprocessing.text import Tokenizer
  from tensorflow.keras.preprocessing.sequence import pad_sequences
  
  # 初始化Tokenizer，设置最大词汇量（可以根据你的数据调整）
  tokenizer = Tokenizer(num_words=10000, oov_token="<OOV>")
  tokenizer.fit_on_texts(df['combined_text'])
  
  # 把文本转成数字序列
  text_sequences = tokenizer.texts_to_sequences(df['combined_text'])
  
  # 统一序列长度（CNN需要固定输入尺寸，太短补0，太长截断）
  max_seq_len = 200  # 可以根据你的文本平均长度调整
  padded_sequences = pad_sequences(text_sequences, maxlen=max_seq_len, padding='post', truncating='post')
  

• 要是你数据量不大，用预训练的词嵌入（比如GloVe）能让模型效果更好，后面模型部分我会提怎么加。

2. 处理数值特征（origin_date + is_logged_in + use_cate） #

这些数值特征得先做标准化，避免尺度差异影响模型：

from sklearn.preprocessing import StandardScaler

# 提取数值特征列
num_features = df[['origin_date', 'is_logged_in', 'use_cate']]
# 注意：如果origin_date是日期格式，得先转成数值！比如转成时间戳：
# df['origin_date'] = pd.to_datetime(df['origin_date']).astype('int64') // 10**9

scaler = StandardScaler()
scaled_num_features = scaler.fit_transform(num_features)

3. 处理41类的目标变量 #

字符串标签得转成独热编码，适合多分类任务：

from tensorflow.keras.utils import to_categorical
from sklearn.preprocessing import LabelEncoder

# 先把字符串标签转成整数ID
label_encoder = LabelEncoder()
integer_labels = label_encoder.fit_transform(df['target_variable'])

# 转成独热编码（41类就会变成41维的向量）
one_hot_labels = to_categorical(integer_labels, num_classes=41)

因为咱们有文本和数值两种输入，得用Keras的函数式API来把两个分支的输出融合起来：

from tensorflow.keras.models import Model
from tensorflow.keras.layers import Input, Embedding, Conv1D, GlobalMaxPooling1D, Dense, concatenate, Dropout

# 第一个分支：处理文本序列
text_input = Input(shape=(max_seq_len,), name='text_input')
# 嵌入层：把数字序列转成稠密向量
embedding_layer = Embedding(input_dim=10000, output_dim=128, input_length=max_seq_len)(text_input)
# CNN层提取文本特征
conv_layer = Conv1D(filters=64, kernel_size=3, activation='relu')(embedding_layer)
# 全局最大池化，把序列转成固定长度的特征向量
pool_layer = GlobalMaxPooling1D()(conv_layer)
text_output = Dense(64, activation='relu')(pool_layer)

# 第二个分支：处理数值特征
num_input = Input(shape=(3,), name='num_input')  # 3个数值特征，所以输入维度是3
num_output = Dense(32, activation='relu')(num_input)

# 把两个分支的特征融合在一起
combined_features = concatenate([text_output, num_output])
# 加个Dropout防止过拟合
combined_dropout = Dropout(0.5)(combined_features)
# 最后输出41类的概率，用softmax激活
final_output = Dense(41, activation='softmax')(combined_dropout)

# 定义完整模型
model = Model(inputs=[text_input, num_input], outputs=final_output)
# 编译模型：多分类用categorical_crossentropy损失
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

把预处理好的数据拆分训练集和测试集，然后喂给模型就行：

from sklearn.model_selection import train_test_split

# 拆分数据集，测试集占20%
X_text_train, X_text_test, X_num_train, X_num_test, y_train, y_test = train_test_split(
    padded_sequences, scaled_num_features, one_hot_labels, test_size=0.2, random_state=42
)

# 开始训练
history = model.fit(
    [X_text_train, X_num_train], y_train,
    epochs=10,  # 可以根据验证集精度调整
    batch_size=32,
    validation_data=([X_text_test, X_num_test], y_test)
)

• 要是文本数据少，替换嵌入层用预训练GloVe：先加载GloVe的词嵌入矩阵，然后把Embedding层改成Embedding(input_dim=10000, output_dim=100, weights=[embedding_matrix], input_length=max_seq_len, trainable=False)（output_dim要和GloVe的维度一致）；
• 超参数比如max_seq_len、CNN的filters、kernel_size都可以根据你的数据调整，比如文本长就把max_seq_len调大；
• 训练时如果验证集精度下降，可能是过拟合，可以加更多Dropout或者减少训练轮数。

内容的提问来源于stack exchange，提问作者Aditya