ValueError: Klassifizierungsmetriken können keine Mischung aus Multiclas- und Multilabel-Indicator-Zielen verarbeiten ⇐ Python

[Anonymous]

Ich habe ein Multi -Klassen -Problem mit der Klassifizierung von Text mit 2000 verschiedenen Etiketten. Klassifizierung unter Verwendung von LSTM mit Handschuhbleiben.

Code: Select all

le = LabelEncoder()
le.fit(y)
train_y = le.transform(y_train)
test_y = le.transform(y_test)
< /code>
 LSTM -Netzwerk ist wie unten mit Handschuhbettdings < /H3>
np.random.seed(seed)
K.clear_session()
model = Sequential()
model.add(Embedding(max_features, embed_dim, input_length = X_train.shape[1],
weights=[embedding_matrix]))#,trainable=False
model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(num_classes, activation='softmax'))
model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy')
print(model.summary())
< /code>
 Meine Fehlermetrik ist die F1 -Punktzahl. Ich erstelle unten die Funktion für Fehlermetrik < /h4>
class Metrics(Callback):
def on_train_begin(self, logs={}):
self.val_f1s = []
self.val_recalls = []
self.val_precisions = []

def on_epoch_end(self, epoch, logs={}):
val_predict = (np.asarray(self.model.predict(self.validation_data[0]))).round()
val_targ = self.validation_data[1]
_val_f1 = f1_score(val_targ, val_predict)
_val_recall = recall_score(val_targ, val_predict)
_val_precision = precision_score(val_targ, val_predict)
self.val_f1s.append(_val_f1)
self.val_recalls.append(_val_recall)
self.val_precisions.append(_val_precision)
print("— val_f1: %f — val_precision: %f — val_recall %f" % (_val_f1, _val_precision, _val_recall))
return

metrics = Metrics()
< /code>
## Modellanpassung ist < /p>
model.fit(X_train, train_y, validation_data=(X_test, test_y),epochs=10, batch_size=64, callbacks=[metrics])
< /code>
Nach dem 1. Epoche einen Fehler erhalten: < /p>
ValueError: Classification metrics can't handle a mix of multiclass and continuous-multioutput targets

Wo ist der Fehler in meinem Code?