ML5:错误:您正在传递一个形状为11342,1的目标数组，而使用的是丢失的‘分类_交叉熵’。“范畴交叉熵”期望目标

Question

我正在尝试使用ML5库进行分类，在我正在构建的React应用程序中进行分类。

我的浏览器Error: You are passing a target array of shape 11342,1 while using a loss 'categorical_crossentropy'. 'categorical_crossentropy'expects targets to be binary matrices (1s and 0s) of shape [samples, classes].中有以下错误

在引发此错误的几个Github问题中，解释是That error indicates you have just 1 type of objects in your dataset. You must have 2 or more different object classes in your dataset.，即这里和这里链接中的解释。

我不知道这意味着什么。我的数据中有6个输入和2个输出。我的输入将会是这样的

let inputs = {
  male: 1,
  female: 0,
  dob: 641710800000,
  // have more, but keeping it simple for this example...
}

我的输出将会是这样的

let output = {
  job: 1 // or 0, if they have a job or not, for example. i.e., two possible outputs
}

然而，我仍然会发现错误。有人能帮我弄明白为什么怎么修吗？

下面是我的代码：

people_arr = json.voters_arr;
keys = ["male", "female", "dob"];

let model_options = {
  inputs: keys,
  outputs: ["job"],
  task: "classification"
};

let model = ml5.neuralNetwork(model_options);


for (let person of people_arr) {
  let inputs = {
    male: person.male,
    female: person.female,
    dob: person.dob
  };

  let output = {};
  output.job = person.job; // either 0 or 1
  model.addData(inputs, output);
}

model.normalizeData();

let train_options = { epochs: 100 }
model.train(train_options, whileTraining); // <-- error happening here
.then(() => {
  console.log("pre classify");
  return model.classify(new_person_arr);
})
.then((err, results) => {
  if (err) { console.log("error") }

  else {
    let new_arr = results.splice(100);
    console.log("results : ", new_arr);
    setValues({...values, results: new_arr })
  }
})
.catch((err) => { console.log("err : ", err) });

Answer 1

Categorical cross-entropy期望一个热向量作为标签，而不是一个数字.例如，假设有三个人：Michael、Jim和Dwight。Michael和Jim都有工作，而Dwight没有。假设没有工作就会把你归入0类别，而有一份工作会把你归入1类别。在这种情况下，标签应该如下所示：

[[0,1],    # Michael's label
 [0,1],    # Jim's label
 [1,0]]    # Dwight's label

Michael和Jim属于1类，因此它们在索引1处有1，在所有其他索引上有0。Dwight属于0类，所以他在索引0处有一个1，在所有其他索引上都有一个0。

如果您想使用单个数字作为标签(即0或1)，则应该使用sparse categorical cross-entropy。Sparse categorical cross-entropy为每个示例取一个整数作为标签，并假定存在从0到它所看到的最高值整数的类别。所以它会很好地与你已经拥有的工作。