我正在閱讀有關 NN 的內容，并且還想同時生成我的第一個 NN（以補充我的閱讀內容）。我有一個這樣的數據集：DNA_seq  Sample1Name  Sample1Name  ConcOfDNAInSample  DNASeqFoundInProcessCatAGGAG     cat_0     cat_1    0.1   found_in_0  AGGAG     cat_1     cat_2    0.4   found_in_3ACCCC     cat_1     cat_7    0.1   found_in_2AGAGAGA   cat_2     cat_10   1.9   found_in_1ADAS      cat_332   cat_103  8.9   found_in_1列：DNASeq -> 一串 DNA 序列（即“序列”）Sample1Name -> 分類值，解釋 DNASeq 所在溶液的化學性質。Sample2Name -> 分類值，解釋 DNASeq 所在溶液的化學性質。ConcOfDNAInSample -> Sample2SName 中 DNA 濃度的定量值。DNASeqFoundInProcessCat -> 這是我要預測的標簽。它是一個具有四個類別（found_in_0 -> found_in_3）的分類值。這是我對每個 DNASeq 進行三個測試以查看我是否操縱原始解決方案（即 found_in_0）的輸出，DNASeq 是否仍然存在。我的問題：對于一組看不見的序列，我希望輸出標簽集是“found_in_1”、“found_in_2”、“found_in_3”的多類概率。即，如果上面的示例是我的測試集的輸出，那么我的輸出理想情況下應該是這樣的：DNA_seq  Sample1Name  Sample1Name  ConcOfDNAInSample  DNASeqFoundInProcessCatAGGAG     cat_0     cat_1    0.1   (0.9,0.5,0.1)  AGGAG     cat_1     cat_2    0.4   (0.8,0.7,0.3)ACCCC     cat_1     cat_7    0.1   (0.2,0.5,0.3)AGAGAGA   cat_2     cat_10   1.9   (0.7,0.2,0.9)ADAS      cat_332   cat_103  8.9   (0.6,0.8,0.7)有一些注意事項：有可能因為我正在做的過程，一些序列不能在原始解決方案中（found_in_0），但是因為 DNA 位可以粘在一起，它們隨后可以在其他類中（found_in_1、found_in_2、found_in_3 )我只對found_in_1、found_in_2 和found_in_3 類的輸出感興趣（即我想要最后的三類概率，而不是found_in_0 的四類概率）。我能夠從 DNA 序列中生成其他特征，這只是一個例子。從我的數據可以看出，我的數據集是不平衡的，found_in_3中的數據量明顯低于其他（我的完整訓練數據大約80000行；但是其中只有大約10000行是found_in_3；其他的都是found_in_0、found_in_1 或 found_in_2）。我要解決的是算法，特別是針對一個特定點。我的想法是：1.讀入數據。df = pd.read_csv('data')2.將數據集拆分為訓練和測試import sklearnfrom sklearn.model_selection import train_test_splitX_train,X_test,Y_train,Y_test = train_test_split(X,y,test_size=0.2,random_state=42)3.了解數據集（即我在上面第 4 點中看到的代表性不足的地方）。我有一系列的功能......所以假設我有一個標準化的數據集，即上表。所以我知道我想為我的數據復制一組類似的步驟，并且我正在嘗試解決如何做到這一點，我無法理解的是我是否必須使用 tf.nn.sigmoid_cross_entropy_with_logits 來解決這個問題（因為每個輸入都可以屬于移動而不是一個標簽，即可以存在于found_in_1、found_in_2和found_in_3中，這可以產生每個類的概率輸出？）或者我可以只使用這樣的softmax函數嗎？