Question

在docs中，predict_proba(self, x, batch_size=32, verbose=1)是

逐批生成输入样本的类概率预测。

并返回

Numpy概率预测数组。

假设我的模型是二元分类模型，输出是[a, b]，a的概率是class_0，b是class_1的概率}？

Answer 1

这里的情况有所不同，并且有些误导，特别是当您将predict_proba方法与sklearn方法进行比较时，同名。在Keras（不是sklearn包装器）中，方法predict_proba 与predict方法完全相同。您甚至可以查看here：

def predict_proba(self, x, batch_size=32, verbose=1):
        """Generates class probability predictions for the input samples
        batch by batch.
        # Arguments
            x: input data, as a Numpy array or list of Numpy arrays
                (if the model has multiple inputs).
            batch_size: integer.
            verbose: verbosity mode, 0 or 1.
        # Returns
            A Numpy array of probability predictions.
        """
        preds = self.predict(x, batch_size, verbose)
        if preds.min() < 0. or preds.max() > 1.:
            warnings.warn('Network returning invalid probability values. '
                          'The last layer might not normalize predictions '
                          'into probabilities '
                          '(like softmax or sigmoid would).')
        return preds

所以 - 在二进制分类案例中 - 你得到的输出取决于你的网络设计：

如果您的网络的最终输出是通过单个sigmoid输出获得的 - 那么predict_proba的输出只是分配给第1类的概率。
如果网络的最终输出是通过您应用softmax函数的二维输出获得的 - 则predict_proba的输出是[a, b]其中{{}} {1}}和a = P(class(x) = 0)。

第二种方法很少使用，使用第一种方法有一些理论上的优点 - 但我想通知你 - 以防万一。

Answer 2

这取决于您如何指定模型和目标的输出。它可以是两者。通常当一个人进行二元分类时，输出是单个值，这是正预测的概率。减去输出的是负预测的概率。

Keras，模型的输出predict_proba

2 个答案: