Question

我正在训练我的Keras模型，以预测是否可以通过提供的数据参数进行拍摄，并以0表示“否”和1表示“是”的方式表示。但是，当我尝试对其进行预测时，我得到的值是浮动的。

我尝试使用与训练数据完全相同的数据来获得1，但它不起作用。

我使用下面的数据尝试了一次热编码。

https://github.com/eijaz1/Deep-Learning-in-Keras-Tutorial/blob/master/keras_tutorial.ipynb

import pandas as pd
from keras.utils import to_categorical
from keras.models import load_model
from keras.models import Sequential
from keras.layers import Dense
from keras.callbacks import EarlyStopping
#read in training data
train_df_2 = pd.read_csv('diabetes_data.csv')

#view data structure
train_df_2.head()

#create a dataframe with all training data except the target column
train_X_2 = train_df_2.drop(columns=['diabetes'])

#check that the target variable has been removed
train_X_2.head()

#one-hot encode target column
train_y_2 = to_categorical(train_df_2.diabetes)

#vcheck that target column has been converted
train_y_2[0:5]

#create model
model_2 = Sequential()

#get number of columns in training data
n_cols_2 = train_X_2.shape[1]

#add layers to model
model_2.add(Dense(250, activation='relu', input_shape=(n_cols_2,)))
model_2.add(Dense(250, activation='relu'))
model_2.add(Dense(250, activation='relu'))
model_2.add(Dense(2, activation='softmax'))

#compile model using accuracy to measure model performance
model_2.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])
early_stopping_monitor = EarlyStopping(patience=3)
model_2.fit(train_X_2, train_y_2, epochs=30, validation_split=0.2, callbacks=[early_stopping_monitor])


train_dft = pd.read_csv('diabetes_data - Copy.csv')
train_dft.head()

test_y_predictions = model_2.predict(train_dft)
print(test_y_predictions)

我想得到

[[0,1]
[1,0]]

但是，我得到了

[[0.8544417  0.14555828]
 [0.9312985  0.06870154]]

此外，有人可以向我解释这个值0.8544417是什么意思吗？

谢谢。

Answer 1

实际上，您可以将顶部带有softmax分类器的模型的输出解释为类别的置信度得分或概率（因为softmax函数对值进行归一化，使得它们将为正值且总和为1）。因此，当您为模型提供真实标签[1, 0]时，这意味着此样本属于类别1，概率为1，而属于类别2，概率为零。因此，在训练过程中，优化过程会尝试尽可能接近该标签，但是它永远不会完全达到[1,0]（实际上由于softmax，它可能会接近[0.999999， 0.000001]，但从不[1，0]）。

但这不是问题，因为我们有兴趣尽可能地接近并且知道具有最高概率的类别，并将其视为模型的预测。而且，您可以通过最大可能地找到类的索引来轻松地做到这一点：

import numpy as np

preds = model.predict(some_data)
class_preds = np.argmax(preds, axis=-1) # e.g. for [max,min] it gives 0, for [min,max] it gives 1

此外，如果您出于任何原因有兴趣将预测转换为[0,1]或[1,0]，则可以将值取整：

import numpy as np

preds = model.predict(some_data)
round_preds = np.around(preds)   # this would convert [0.87, 0.13] to [1., 0.]

注意：四舍五入仅适用于两个类别，而当您拥有两个以上类别时，则不适用（例如，[0.3，0.4，0.3]会在四舍五入后变为[0，0，0]）

注2：：由于您是使用Keras的顺序API创建模型的，因此作为上述argmax方法的替代方法，您可以直接使用model.predict_classes(some_data)完全相同的输出。

如何使Keras模型的输出热编码

1 个答案: