我了解使用
dataframe = pandas.read_csv("IrisDataset.csv", header=None)
dataset = dataframe.values
X = dataset[:,0:4].astype(float)
Y = dataset[:,4]
# encode class values as integers
encoder = LabelEncoder()
encoder.fit(Y)
encoded_Y = encoder.transform(Y)
# convert integers to dummy variables (i.e. one hot encoded)
dummy_y = np_utils.to_categorical(encoded_Y)
def baseline_model():
# create model
model = Sequential()
model.add(Dense(8, input_dim=4, activation='relu'))
model.add(Dense(3, activation='softmax'))
# Compile model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
return model
estimator = KerasClassifier(build_fn=baseline_model, epochs=50, batch_size=5, verbose=0)
estimator.fit(X, dummy_y)
predictions=estimator.predict(X)
要创建预测,可以通过以下方式计算指标
print "PRECISION\t", precision_score(Y,encoder.inverse_transform(predictions), average=None)
其中,Y是训练集的标签。但是,如果我使用估算器而不是估算器:
model = Sequential()
model.add(Dense(8, input_dim=4, activation='relu'))
model.add(Dense(3, activation='softmax'))
# Compile model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']
model.fit(X, dummy_y,epochs=50,batch_size=5, shuffle=True, verbose=1)
predictions=model.predict(x=tst_X,batch_size=50,verbose=1)
然后,预测具有不同的形式,我不能将其用作计算的参数。 还有另一种计算精度和其他指标的方法吗? 我需要转换预测吗?
答案 0 :(得分:1)
您的Sequential
模型的输出将具有(3,)
的形状,其中包含估计的类概率。接下来,您必须为每个预测获取预测(最有可能)的类,即您必须采用argmax
predictions = model.predict(x=tst_X, batch_size=50, verbose=1)
predictions = np.argmax(predictions, 1)
然后,您可以按原样使用其余代码。
否则,您也可以直接使用predict_classes
模型的Sequential
函数,这基本上是在做同样的事情:
predictions = model.predict_classes(x=tst_X, batch_size=50, verbose=1)