如何处理keras中的序号标签？
How to deal with ordinal labels in keras?
我有整数目标 class 在 1-5 范围内的数据，其中 1 是最低的，5 是最高的。在这种情况下，我是否应该将其视为回归问题并在输出层中有一个节点？
我的处理方式是：
1- 首先我将标签转换为二进制 class 矩阵
labels = to_categorical(np.asarray(labels))
2-在输出层，我有五个节点
main_output = Dense(5, activation='sigmoid', name='main_output')(x)
3-我在编译时使用'categorical_crossentropy和mean_squared_error
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['mean_squared_error'],loss_weights=[0.2])
此外，谁能告诉我：在这种情况下使用 categorical_accuracy 和 'mean_squared_error 有什么区别？
回归和class化是截然不同的事情。如果您将其重新想象为一项回归任务，那么当基本事实为 4 时预测 2 的差异将比您预测 3 而不是 4 时的差异评级更高。如果您有 class 喜欢汽车，动物，人您没有关心那些 classes 之间的排名。预测汽车和预测动物一样错误，如果图像显示的是人。
指标完全不会影响您的学习。它只是在损失之外计算的东西，以显示模型的性能。这里的准确性是有道理的，因为这主要是我们关心的指标。均方误差并不能告诉您模型的性能如何。如果你得到类似 0.0015 的均方误差，这听起来不错，但很难想象它的性能有多好。相反，使用准确度并达到 95% 的准确度是有意义的。
最后一件事你应该使用 softmax 而不是 sigmoid 作为你的最终输出以获得最后一层的概率分布。 Softmax 会输出每个总和为 1 的 class 的百分比。然后交叉熵计算你的网络输出的概率分布与 ground truth 的差异。
我有整数目标 class 在 1-5 范围内的数据，其中 1 是最低的，5 是最高的。在这种情况下，我是否应该将其视为回归问题并在输出层中有一个节点？
我的处理方式是：
1- 首先我将标签转换为二进制 class 矩阵
labels = to_categorical(np.asarray(labels))
2-在输出层，我有五个节点
main_output = Dense(5, activation='sigmoid', name='main_output')(x)
3-我在编译时使用'categorical_crossentropy和mean_squared_error
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['mean_squared_error'],loss_weights=[0.2])
此外，谁能告诉我：在这种情况下使用 categorical_accuracy 和 'mean_squared_error 有什么区别？
回归和class化是截然不同的事情。如果您将其重新想象为一项回归任务，那么当基本事实为 4 时预测 2 的差异将比您预测 3 而不是 4 时的差异评级更高。如果您有 class 喜欢汽车，动物，人您没有关心那些 classes 之间的排名。预测汽车和预测动物一样错误，如果图像显示的是人。
指标完全不会影响您的学习。它只是在损失之外计算的东西，以显示模型的性能。这里的准确性是有道理的，因为这主要是我们关心的指标。均方误差并不能告诉您模型的性能如何。如果你得到类似 0.0015 的均方误差，这听起来不错，但很难想象它的性能有多好。相反，使用准确度并达到 95% 的准确度是有意义的。
最后一件事你应该使用 softmax 而不是 sigmoid 作为你的最终输出以获得最后一层的概率分布。 Softmax 会输出每个总和为 1 的 class 的百分比。然后交叉熵计算你的网络输出的概率分布与 ground truth 的差异。