web-dev-qa-db-fra.com

Keras class_weight dans la classification binaire multi-étiquettes

Avoir du mal à utiliser class_weight pour mon problème multi-étiquettes. Autrement dit, chaque étiquette est 0 ou 1, mais il existe de nombreuses étiquettes pour chaque échantillon d'entrée.

Le code (avec des données aléatoires pour les besoins de MWE):

import tensorflow as tf
from keras.models import Sequential, Model
from keras.layers import Input, Concatenate, LSTM, Dense
from keras import optimizers
from keras.utils import to_categorical
from keras import backend as K
import numpy as np

# from http://www.deepideas.net/unbalanced-classes-machine-learning/
def sensitivity(y_true, y_pred):
        true_positives = tf.reduce_sum(tf.round(K.clip(y_true * y_pred, 0, 1)))
        possible_positives = tf.reduce_sum(tf.round(K.clip(y_true, 0, 1)))
        return true_positives / (possible_positives + K.epsilon())

# from http://www.deepideas.net/unbalanced-classes-machine-learning/    
def specificity(y_true, y_pred):
        true_negatives = tf.reduce_sum(K.round(K.clip((1-y_true) * (1-y_pred), 0, 1)))
        possible_negatives = tf.reduce_sum(K.round(K.clip(1-y_true, 0, 1)))
        return true_negatives / (possible_negatives + K.epsilon())

def to_train(a_train, y_train):
        hours_np = [np.arange(a_train.shape[1])]*a_train.shape[0]
        train_hours = to_categorical(hours_np)
        n_samples = a_train.shape[0]
        n_classes = 4
        features_in = np.zeros((n_samples, n_classes))
        supp_feat = np.random.choice(n_classes, n_samples)
        features_in[np.arange(n_samples), supp_feat] = 1

        #This model has 3 separate inputs
        seq_model_in = Input(shape=(1,),batch_shape=(1, 1, a_train.shape[2]), name='seq_model_in')
        feat_in = Input(shape=(1,), batch_shape=(1, features_in.shape[1]), name='feat_in')
        feat_dense = Dense(1)(feat_in)
        hours_in = Input(shape=(1,), batch_shape=(1, 1, train_hours.shape[2]), name='hours_in')

        #Model intermediate layers
        t_concat = Concatenate(axis=-1)([seq_model_in, hours_in])
        lstm_layer = LSTM(1, batch_input_shape=(1, 1, (a_train.shape[2]+train_hours.shape[2])), return_sequences=False, stateful=True)(t_concat)
        merged_after_lstm = Concatenate(axis=-1)([lstm_layer, feat_dense]) #may need another Dense() after
        dense_merged = Dense(a_train.shape[2], activation="sigmoid")(merged_after_lstm)

        #Define input and output to create model, and compile
        model = Model(inputs=[seq_model_in, feat_in, hours_in], outputs=dense_merged)
        model.compile(loss='binary_crossentropy', optimizer='adam', metrics=[sensitivity, specificity])

        class_weights = {0.:1., 1.:118.}
        seq_length = 23

        #TRAINING (based on http://philipperemy.github.io/keras-stateful-lstm/)
        for Epoch in range(2):
            for i in range(a_train.shape[0]):
                    y_true_1 = np.expand_dims(y_train[i,:], axis=1)
                    y_true = np.swapaxes(y_true_1, 0, 1)
                    #print 'y_true', y_true.shape
                    for j in range(seq_length-1):
                            input_1 = np.expand_dims(np.expand_dims(a_train[i][j], axis=1), axis=1)
                            input_1 = np.reshape(input_1, (1, 1, a_train.shape[2]))
                            input_2 = np.expand_dims(np.array(features_in[i]), axis=1)
                            input_2 = np.swapaxes(input_2, 0, 1)
                            input_3 = np.expand_dims(np.array([train_hours[i][j]]), axis=1)
                            tr_loss, tr_sens, tr_spec = model.train_on_batch([input_1, input_2, input_3], y_true, class_weight=class_weights)
                    model.reset_states()
       return 0

a_train = np.random.normal(size=(50,24,5625))
y_train = a_train[:, -1, :]
a_train = a_train[:, :-1, :]
y_train[y_train > 0.] = 1.
y_train[y_train < 0.] = 0.
to_train(a_train, y_train)

L'erreur que je reçois est la suivante:

ValueError: `class_weight` must contain all classes in the data. The classes set([330]) exist in the data but not in `class_weight`.

La valeur à l'intérieur de 'set ([...])' change à chaque exécution. Mais comme je l'ai dit, les deux seules classes dans les données sont 0 et 1; il n'y a que plusieurs étiquettes par échantillon. Ainsi, par exemple, une réponse (y_train) ressemble à ceci:

print y_train[0,:]
#[ 0.  0.  1. ...,  0.  1.  0.]

Comment utiliser class_weights pour un problème multi-étiquettes dans Keras?

tensorflowmachine-learningkerasclassificationmultilabel-classification
9
StatsSorceress

Oui. C'est un bug connu dans keras ( numéro n ° 8011 ). Fondamentalement, le code keras suppose un codage unique, lorsqu'il détermine le nombre de classes, et non un codage ordinal multi-libellé.

keras/engine/training.py :

# if 2nd dimension is greater than 1, it must be one-hot encoded, 
# so let's just get the max index...
if y.shape[1] > 1:
  y_classes = y.argmax(axis=1)

Je ne peux pas penser à une meilleure solution de contournement pour le moment, si ce n’est défini avec y_true[:, 1] = 1, c’est-à-dire "réserver" la position 1 dans y pour qu'elle en soit toujours une. Cela entraînera y_classes = 1 (qui est la bonne valeur dans la classification binaire).

Pourquoi ça marche? Le code échoue lorsque y_true[i] obtient la valeur [0, 0, ..., 0, 1, ...] avec un certain nombre de zéros non significatifs. L'implémentation de Keras (à tort) estime le nombre de classes via l'index de l'élément max, ce qui s'avère être un certain j > 1 pour lequel y[i][j] = 1. Cela fait penser au moteur Keras qu'il y a plus de 2 classes, donc le class_weights fourni est faux. Le paramétrage de y_true[i][1] = 1 permet de s'assurer que j <= 1 (car np.argmax choisit le plus petit index maximum), ce qui permet de contourner les gardes de keras.

2
Maxim

vous pouvez créer un rappel qui ajoute l'index du libellé à une liste Par exemple:

y = [[0,1,0,1,1], [0,1,1,0,0]] 

créerait une liste: category_list = [1, 3, 4, 1, 2]

où chaque instance d'une étiquette est comptée dans la liste category_list

alors vous pouvez utiliser 

weighted_list = class_weight.compute_class_weight ('équilibré', np.unique (category_list), category_list)

Il suffit ensuite de transformer weighted_list en un dictionnaire à utiliser dans Keras.

0
Megan Hardy