我不确定如何解释 Keras 在以下情况下的默认行为：

我的 Y（基本事实）是使用 scikit-learn 设置的MultilabelBinarizer().

因此，举一个随机的例子，我的一排y列是 one-hot 编码的，如下所示：[0,0,0,1,0,1,0,0,0,0,1].

所以我有 11 类可以预测，并且不止一类可以是真实的；因此问题的多标签性质。该特定样本有三个标签。

我像处理非多标签问题（一切照常）一样训练模型，并且没有收到任何错误。

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.optimizers import SGD

model = Sequential()
model.add(Dense(5000, activation='relu', input_dim=X_train.shape[1]))
model.add(Dropout(0.1))
model.add(Dense(600, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(y_train.shape[1], activation='softmax'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='categorical_crossentropy',
              optimizer=sgd,
              metrics=['accuracy',])

model.fit(X_train, y_train,epochs=5,batch_size=2000)

score = model.evaluate(X_test, y_test, batch_size=2000)
score

当 Keras 遇到我的时会做什么y_train并看到它是“多”单热编码的，这意味着每一行中存在多个“一”y_train？基本上，Keras 会自动执行多标签分类吗？对评分指标的解释有什么不同吗？

In short

不要使用softmax.

Use sigmoid用于激活输出层。

Use binary_crossentropy为损失函数。

Use predict进行评估。

Why

In softmax当一个标签的分数增加时，所有其他标签的分数都会降低（这是一种概率分布）。当你有多个标签时你不希望这样。

完整代码

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Activation
from tensorflow.keras.optimizers import SGD

model = Sequential()
model.add(Dense(5000, activation='relu', input_dim=X_train.shape[1]))
model.add(Dropout(0.1))
model.add(Dense(600, activation='relu'))
model.add(Dropout(0.1))
model.add(Dense(y_train.shape[1], activation='sigmoid'))

sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='binary_crossentropy',
              optimizer=sgd)

model.fit(X_train, y_train, epochs=5, batch_size=2000)

preds = model.predict(X_test)
preds[preds>=0.5] = 1
preds[preds<0.5] = 0
# score = compare preds and y_test