Deep learning 测试训练后的keras模型并将其用于新样本时的预测差异

我在使用一个我已经训练、保存并加载使用的模型时遇到问题。问题是，当我使用新数据（不是测试数据的一部分，而是来自同一来源）的模型时，我得到了不同的预测

编辑1:我意识到，一次预测整个测试数据和一次预测每个测试数据项时，我会得到不同的预测

这就是我生成培训和测试数据的方式（之后我将其拆分）

df.dropna（inplace=True）
对于范围（100）内的i：
df[i]=df.data.shift（i）
df.dropna（就地=真）
打印（计数器（df['label'].值））
Xa=np.array（df.drop（['label'，'Close'，'avg']，axis=1）.values）
数据量表=Xa[-1000:]
scaler=MinMaxScaler（功能范围=（0,1））
Xa=缩放器。拟合_变换（Xa）
Ya=np.array（df['label'].values）

然后，我将数据拆分为训练数据并进行测试以拟合模型。 培训后，我使用测试数据测试模型，并得到此类预测：

model.predict（x=x_检验）
[ 0.64  0.17  0.19]
[ 0.24  0.76  0.  ]
[ 0.47  0.51  0.02]
[ 0.63  0.26  0.11]
[ 0.62  0.1   0.28]
[ 0.14  0.86  0.  ]
[ 0.36  0.63  0.01]
[ 0.57  0.37  0.06]
[ 0.45  0.53  0.02]
[ 0.18  0.82  0.  ]
[ 0.61  0.09  0.3 ]
#第3列中的最大值为0.45。永远不要！

要使用该模型，我以以下方式收集数据：

scaler=MinMaxScaler（功能范围=（0,1））
scaler.fit（用于缩放的数据）
X_predict=np.array（df.data[current_position-100:current_position][：：-1]。值）。重塑（1，-1）
X_predict=scaler.transform（X_predict）
prediccion=model.predict（X_predict.reforme（1，-1））[0]
#**编辑1:*注意，我一次只预测一个项目

我通过这种方式得到的预测是：

[0.890.0.10]
[ 1.  0.  0.]
[ 0.87  0.11  0.01]
[ 0.99  0.     0.00]
[ 0.30  0.69  0.   ]
[ 0.99  0.     0.00]
[ 0.61  0.     0.38]
[ 0.20  0.     0.79]
[ 0.39  0.     0.60]
[ 0.  0.  1.]
[ 0.00  0.     0.99]
[ 0.12  0.     0.87]
#在这里，我在第3列中得到了很多高于0.45的值。这从来没有
#发生在整个测试数据中。。。

我的错在哪里？我已经尝试保存和重新加载模型，但是测试数据的预测没有改变，所以我认为错误不在于保存/加载模型。我还尝试将新样本合并到测试集中进行预测，拟合整个集合并再次提取新数据，但问题仍然存在。 任何暗示都欢迎

---

提前谢谢

为什么你认为这是一个错误？我得到了完全不同的概率值范围，主要是在第三列。在测试数据中，我从未得到超过0.45的值，而在新的预测数据中，我得到了很多超过0.45甚至1的值。我不能100%肯定有错误，但这肯定是一种不同的行为。你为什么认为有错误？我得到的概率值范围完全不同，主要是在第三列。在测试数据中，我从未得到超过0.45的值，而在新的预测数据中，我得到了很多超过0.45甚至1的值。我不能百分之百肯定这是一个错误，但它肯定是一个不同的行为。