检查通过不可见数据评估keras模型的方法是否正确

我研究了

Keras

，创建了我的第一个神经网络模型，如下所示：

from keras.layers import Dense
import keras
from keras import Sequential
from sklearn.metrics import accuracy_score

tr_X, tr_y = getTrainingData()

# NN Architecture
model = Sequential()
model.add(Dense(16, input_dim=tr_X.shape[1]))
model.add(keras.layers.advanced_activations.PReLU())

model.add(Dense(16))
model.add(keras.layers.advanced_activations.PReLU())

model.add(Dense(1, activation='sigmoid'))

# Compile the Model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# Fit the Model
model.fit(tr_X, tr_y, epochs=1000, batch_size=200, validation_split=0.2)

# ----- Evaluate the Model (Using UNSEEN data) ------
ts_X, ts_y = getTestingData()
yhat_classes = model.predict_classes(ts_X, verbose=0)[:, 0]
accuracy = accuracy_score(ts_y, yhat_classes)
print(accuracy)

我不确定代码的最后一部分，即使用

model.predict\u classes（）

进行模型评估，通过自定义方法

getTestingData（）

加载新数据。看，我的目标是使用新的看不见的数据测试最终模型，以评估其预测。我的问题是关于这一部分：我是否正确评估了模型

---

谢谢你，

是的，没错。您可以使用predict或predict_类来获得对测试数据的预测。如果您直接需要损失和度量，您可以通过输入ts_X和ts_y来使用评估方法

y_pred = model.predict(ts_X)

loss, accuracy = model.evaluate(ts_X, ts_y)

预测和预测课程之间的差异：