Keras to_categorical добавляет дополнительную ценность

Может быть ошибка версии keras. Попробуйте обновить его, потому что это работает для меня:

dict = {'word': 1, 'feature_name': 2, 'feature_value': 3, 'part_number': 4}
Y = np.random.randint(4, size=10)
print(np.unique(Y)) #prints [0 1 2 3]
train_y = np_utils.to_categorical(Y, num_classes=4)
print(train_y[0]) # prints [0. 0. 1. 0.]

Попробуйте начать свой словарь с 0, потому что, когда Keras читает ваши данные, используйте 0 в качестве эталона.

dict = {'word': 0, 'feature_name': 1, 'feature_value': 2, 'part_number': 3}

Если это не работает, попробуйте принудительно указать количество классов:

train_y = to_categorical(train_y, num_classes = 4)

Вам нужно нумеровать классы, начиная с 0, например:

dict = {'word': 0, 'feature_name': 1, 'feature_value': 2, 'part_number': 3}

Вы можете получить описание функции с помощью команды help()

help(np_utils.to_categorical)

:

Help on function to_categorical in module keras.utils.np_utils:

to_categorical(y, num_classes=None, dtype='float32')
Converts a class vector (integers) to binary class matrix.

E.g. for use with categorical_crossentropy.

# Arguments
    y: class vector to be converted into a matrix
        (integers from 0 to num_classes).
    num_classes: total number of classes.
    dtype: The data type expected by the input, as a string
        (`float32`, `float64`, `int32`...)

# Returns
    A binary matrix representation of the input. The classes axis
    is placed last.