Error de valor de predicción del modelo de Python cuando se produce una omisión.
Estoy utilizando Keras para predecir valores, sin embargo, cuando se detecta una omisión en el conjunto de datos, obtengo un ValueError que no entiendo. Estoy enviando continuamente datos a un servidor que luego predice el siguiente valor. Esta es la parte del código donde predigo el valor:
for i in range(len(models)):
path = models[i]['path']
model = models[i]['model']
inpt = to_input[i]
p = model.predict((inpt,))[0][0]
predictions.append((path, ann_type[i], p, target_time))
He intentado convertir inpt a np.asarray, pero el código parece funcionar perfectamente tal como está cuando no hay omisiones en el conjunto de datos.
Este es el error que obtengo:
ValueError: Failed to find data adapter that can handle input: (<class 'tuple'=""> containing values of types {'(<class \'list\'=""> containing values of types {\"<class \'numpy.float32\'="">\", \"<class \'float\'="">\"})'}), <class 'nonetype'="">
Y esta es la variable inpt cuando ocurre el error:
[23.852264, 25.759071, 22.86, 25.736681, 22.71, 22.97, 23.25, 23.23, 23.4, 23.1]
No veo nada inusual, pero no logro resolver este error.
davy.ai
El mensaje de error sugiere que hay un problema con el adaptador de datos que se está utilizando para manejar los datos de entrada. Esto podría deberse a un problema con el formato de los datos de entrada o la forma en que se pasan al modelo.
Una posibilidad es que los datos de entrada no tengan la forma o el formato correcto para el modelo. Puede ser útil verificar la forma de entrada requerida por el modelo y compararla con la forma de los datos de entrada cuando ocurre el error.
Otra posibilidad es que haya un problema con la forma en que se pasa los datos de entrada al modelo. El fragmento de código proporcionado sugiere que los datos de entrada se pasan como una tupla. Puede ser útil verificar si este es el formato esperado para la entrada del modelo.
Además, puede ser útil examinar el código que recupera y almacena los datos que se envían al servidor. Esto podría ayudar a identificar cualquier problema con datos faltantes o incompletos en el conjunto de datos.
En general, solucionar este problema puede requerir una combinación de examinar los datos de entrada y los requisitos del modelo, así como revisar el código utilizado para manejar los datos en el servidor.