使用多输出模型同时做分类问题和回归问题，数据集该怎么处理？标签应该怎么打？

Question

大家好，请问使用多输出神经网络同时做分类问题和回归问题，数据集该怎么处理？标签应该怎么打？
比如我有一个数据库，包含波形的信号值、频率和幅值，我通过信号值给波形进行分类，同时我用频率值和幅值对数据集频率和幅值的走势进行预测，我使用一个多输出模型做这一件事，我要怎么给数据集打标签呢？
这样设置可以吗？x=([信号值1，信号值2…],频率，幅值),y1=[（0,0,1）,（0,1,0）,（0,0,1），…],y2=(频率1，频率2，频率3…),y3=(幅值1，幅值2，幅值3…)

Answer 1

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 以下回答来自chatgpt:

  对于该问题，可以考虑以下处理和标签打法：

  1. 处理数据集：

  由于需要将数据集拆分为信号值、频率和幅值三个部分，因此需先对原始数据进行拆分。

  可以使用Python的pandas库读取数据库中的数据，然后使用pandas中的DataFrame对象对数据进行处理，具体代码如下所示：

  import pandas as pd
  
  data = pd.read_csv("your_database_file_path")  # 读取数据库文件
  
  signal_values = data.iloc[:, 0:100]  # 获取前100列为信号值部分
  frequencies = data.iloc[:, 100]  # 获取第101列为频率部分
  amplitudes = data.iloc[:, 101]  # 获取第102列为幅值部分
  

  1. 标签打法：

  对于分类问题，可以使用one-hot编码将分类标签转换为向量形式。对于回归问题，可以使用每个数据点的实际数值作为标签。具体可如下处理：

  import numpy as np
  
  # 对分类标签进行one-hot编码
  labels_class = np.zeros((len(data), 3))
  for i in range(len(data)):
      if i % 3 == 0:
          labels_class[i][0] = 1
      elif i % 3 == 1:
          labels_class[i][1] = 1
      else:
          labels_class[i][2] = 1
  
  # 分别获取每个数据点的频率和幅值
  labels_reg1 = np.array(frequencies)
  labels_reg2 = np.array(amplitudes)
  

  将信号值、分类标签和回归标签合并为训练集即可：

  data_processed = np.concatenate((signal_values, labels_class, labels_reg1.reshape(-1, 1), labels_reg2.reshape(-1, 1)), axis=1)
  

  这样就可以使用多输出神经网络进行分类和回归任务了。在训练模型时，可以将分类问题和回归问题的损失分别计算并加权，以得到更好的综合结果。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^