如何在Keras中对已填充的变长序列数据进行分类？

嘿，我来帮你搞定这个Keras序列分类任务！你的数据已经做好了固定长度填充和独热编码标签，接下来咱们一步步来实现：

首先得把DataFrame里的序列列和标签列转成numpy数组，Keras模型只认数组格式的输入：

import numpy as np
import pandas as pd
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, LSTM, Dense, Dropout
from sklearn.model_selection import train_test_split

# 假设你的DataFrame名为df
X = np.array(df['col'].tolist())  # 将序列列转为二维numpy数组，形状是(样本数, 序列长度)
y = df['predict'].values  # 直接提取独热编码的标签，形状是(样本数, 类别数)

咱们得留一部分数据用来评估模型的泛化能力，用train_test_split很方便：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

这里test_size=0.2表示拿20%的数据当测试集，random_state固定随机种子，确保每次划分结果一致。

针对序列数据，循环神经网络（比如LSTM）是很合适的选择，咱们来搭一个基础模型：

# 先确定几个关键参数
vocab_size = np.max(X) + 1  # 序列里最大的整数是784，所以词汇表大小设为785（覆盖所有可能的整数）
sequence_length = X.shape[1]  # 你的序列固定长度是7
num_classes = y.shape[1]  # 你的分类类别数是4

model = Sequential([
    # Embedding层：把整数索引转成密集向量，方便模型学习特征
    Embedding(input_dim=vocab_size, output_dim=64, input_length=sequence_length),
    # LSTM层：捕捉序列中的时序依赖关系
    LSTM(64, return_sequences=False),  # 最后一层LSTM不需要返回序列，直接输出特征给全连接层
    # Dropout层：随机丢弃部分神经元，防止模型过拟合
    Dropout(0.2),
    # 输出层：多分类任务用softmax激活函数，输出每个类别的概率
    Dense(num_classes, activation='softmax')
])

# 编译模型：多分类用categorical_crossentropy损失，优化器选adam，监控准确率
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 查看模型结构
model.summary()

特殊情况说明：如果序列是数值特征而非索引 #

如果你的序列里的数字是连续的数值（比如传感器读数、数值型指标），而不是类别索引，那可以跳过Embedding层，把数据改成三维形状后直接喂给LSTM：

# 把X转成(样本数, 序列长度, 特征数)的三维数组，这里特征数是1
X = X.reshape(-1, sequence_length, 1)

# 重新构建模型
model = Sequential([
    LSTM(64, input_shape=(sequence_length, 1)),
    Dropout(0.2),
    Dense(num_classes, activation='softmax')
])

现在就可以开始训练了，调整epochs（训练轮数）和batch_size（每批样本数）来优化效果：

history = model.fit(
    X_train, y_train,
    epochs=10,  # 先训练10轮看看效果，不够再增加
    batch_size=32,  # 每批喂32个样本，根据内存大小调整
    validation_split=0.1  # 用训练集的10%做验证，监控过拟合情况
)

训练完后，用测试集评估模型的真实性能，再试试预测新样本：

# 在测试集上评估
test_loss, test_acc = model.evaluate(X_test, y_test)
print(f"测试集准确率: {test_acc:.4f}")

# 对单个样本做预测
sample = np.array([[262, 330, 392, 522, 784, 0, 0]])  # 随便拿一个你的序列样本
prediction = model.predict(sample)
predicted_class = np.argmax(prediction, axis=1)  # 把独热编码转成类别索引
print(f"预测的类别索引: {predicted_class[0]}")

• 调参试试：比如增加LSTM的层数（比如叠两层LSTM）、调整Embedding的向量维度、LSTM的神经元数量
• 正则化：除了Dropout，还可以给Dense/LSTM层加L2正则化，进一步防止过拟合
• 学习率优化：用ReduceLROnPlateau回调函数，当验证集性能不再提升时自动降低学习率
• 数据增强：如果样本量少，可以对序列做一些合理的增强，比如随机截断非0部分再补0（注意不要破坏序列语义）

内容的提问来源于stack exchange，提问作者Shreyas