我用CNN的{{1}}的Keras训练了df模型。每一行都是具有921 rows x 10165 columns功能的样本。然后，我将预训练模型用于预测。
我确保训练数据平衡良好，大约50％的样本带有标签10160，其余50％的样本带有标签0。模型准确性看起来不错，但在预测过程中存在问题。
所以输入数据如下：
1我用代码预测了带有预测标签“ 1”（对于X = df.iloc[:,0:10160]
X = X.to_numpy()
X = X.reshape([X.shape[0], X.shape[1],1])
X_train_1 = X[:,0:10080,:]
X_train_2 = X[:,10080:10160,:].reshape(921,80)
Y = df.iloc[:,10163:10165]
Y = Y.to_numpy()
）的样本数量：
label_1第二行代码计算所有样本中prediction = pd.DataFrame(model.predict([X_train_1,X_train_2]))
prediction['label_1'] = ['0' if x < 0.5 else '1' for x in prediction['prob']]
prediction[prediction['label_1'] == '1'].shape[0]/921
的样本的比例。问题是，鉴于输入数据具有label_1 ==1和1的平衡数，我期望该分数约为50％左右，但计算出的分数在0范围之间0.08（如果不是更极端的话）的差异很大。可能出了什么问题？
答案 0 :(得分：0)
改为使用model.predict_classes()。否则，您将获得概率。
prediction = pd.DataFrame(model.predict_classes([X_train_1,X_train_2]))
prediction[prediction['label_1'] == '1'].shape[0]/921
如果您使用的是功能性API，请使用np.argmax()：
np.argmax(model.predict([X_train_1,X_train_2]), axis=1)
那么您将需要用0和1而不是概率来预测所需的预测。