如何用Keras实现15类多分类?遇标签报错、训练精度为0问题排查
问题根因拆解
两个报错/零精度的问题都和多分类任务的适配逻辑完全不匹配有关:
- 关于
ValueError: could not convert string to float 'category1'报错:Keras训练全流程要求特征、标签都转为数值型张量才能参与梯度计算,你直接把category1这类原始字符串标签传入训练接口,框架无法自动完成字符串到数值的转换,因此触发报错。 - 关于整数编码后模型精度始终为0的问题:你把字符串转成整数编码只是解决了标签的数值格式问题,但整套网络配置完全是按二分类、回归任务的逻辑写的,根本适配不了15类多分类:
- 输出层配置错误:原代码最后一层是
Dense(1, activation='relu'),仅输出1个维度的无范围连续值,本质是回归任务的输出逻辑,根本无法输出15个类别的预测结果 - 损失函数错配:原代码使用
binary_crossentropy二分类损失计算梯度,和15类任务的计算逻辑完全不匹配 - 标签和损失的适配关系错误:直接把字符串转成0-14的整数编码后,如果搭配原有二分类损失,模型根本无法学习到正确的分类边界,自然精度长期为0。
你之前反复调整隐藏层的神经元数量、层数、激活函数都没有效果,是因为所有调整都没有触及输出层、损失函数这些决定任务类型的核心配置,无论隐藏层怎么改,都无法让模型完成多分类预测。
- 输出层配置错误:原代码最后一层是
Keras实现15类多分类的正确配置
1. 标签预处理(二选一即可,禁止混用)
- 方案A(改动最小,推荐):把字符串格式的15个类别(category1到category15)映射为0-14的整数编码,直接搭配
sparse_categorical_crossentropy损失训练,不需要额外把标签转成one-hot向量。 - 方案B:把整数编码后的标签转换为15维的one-hot向量(每个样本在对应类别的位置置1,其余为0),搭配
categorical_crossentropy损失训练。
2. 网络结构调整
你原本设计的3层16神经元的隐藏层结构,对简单数值特征的多分类任务来说容量完全足够,不需要盲目加深网络、增加节点数,只需要修正最后一层输出层的配置即可:
- 输出层必须设置为
Dense(15, activation='softmax'):15个神经元对应15个类别,softmax激活会把输出转换为总和为1的概率分布,匹配多分类的输出逻辑。 - 禁止在输出层使用relu激活:relu的输出范围是0到正无穷,无法生成合法的分类概率分布。
3. 编译参数修正
- 损失函数根据所选的标签预处理方案替换:整数编码搭配
sparse_categorical_crossentropy,one-hot编码搭配categorical_crossentropy,绝对不能继续使用binary_crossentropy二分类损失。 - 优化器、accuracy评估指标的配置不需要改动。
修正后的可运行示例代码
from sklearn.preprocessing import LabelEncoder # 标签编码:字符串转0-14的整数 le = LabelEncoder() y_train_int = le.fit_transform(y_train) y_test_int = le.transform(y_test) model = Sequential() model.add(Dense(16, input_dim = x_train.shape[1], activation = 'relu')) model.add(Dense(16, activation = 'relu')) model.add(Dense(16, activation = 'relu')) # 修正输出层配置 model.add(Dense(15, activation='softmax')) # 修正损失函数,适配整数编码的多分类任务 model.compile(loss="sparse_categorical_crossentropy", optimizer= "adam", metrics=['accuracy']) model.fit(x_train, y_train_int, epochs = 100, shuffle = True, batch_size=128, verbose=2) scores = model.evaluate(x_test, y_test_int) print(model.metrics_names[0], model.metrics_names[1]) # 预测时把模型输出的整数结果转回原始字符串类别即可: # y_pred_int = model.predict(x_test).argmax(axis=1) # y_pred_str = le.inverse_transform(y_pred_int)
注意:如果直接使用字符串标签搭配one-hot编码,需要保证标签的维度和输出层神经元数量完全一致(也就是15维),否则还是会触发形状不匹配的报错。
内容的提问来源于stack exchange,提问作者taga
相关产品推荐
相关产品推荐

