Machine learning 一种分类预测模型的概率计算
我有一个分类任务。培训数据有50个不同的标签。客户希望区分低概率预测,这意味着,我必须根据模型的概率(确定性?)将一些测试数据分类为Machine learning 一种分类预测模型的概率计算,machine-learning,deep-learning,classification,bert-language-model,multiclass-classification,Machine Learning,Deep Learning,Classification,Bert Language Model,Multiclass Classification,我有一个分类任务。培训数据有50个不同的标签。客户希望区分低概率预测,这意味着,我必须根据模型的概率(确定性?)将一些测试数据分类为未分类/其他 当我测试代码时,预测结果是一个numpy数组(我使用不同的模型,这是一个经过预训练的数组)。预测数组不包含Keraspredict\u proba()方法中的概率。这些数字是通过预训练模型的预测方法生成的 [[-1.7862008 -0.7037363 0.09885322 1.5318055 2.1137428 -0.2216074
未分类/其他
当我测试代码时,预测结果是一个numpy数组(我使用不同的模型,这是一个经过预训练的数组)。预测数组不包含Keraspredict\u proba()
方法中的概率。这些数字是通过预训练模型的预测方法生成的
[[-1.7862008 -0.7037363 0.09885322 1.5318055 2.1137428 -0.2216074
0.18905772 -0.32575375 1.0748093 -0.06001111 0.01083148 0.47495762
0.27160102 0.13852511 -0.68440574 0.6773654 -2.2712054 -0.2864312
-0.8428862 -2.1132915 -1.0157436 -1.0340284 -0.35126117 -1.0333195
9.149789 -0.21288703 0.11455813 -0.32903734 0.10503325 -0.3004114
-1.3854568 -0.01692022 -0.4388664 -0.42163098 -0.09182278 -0.28269592
-0.33082992 -1.147654 -0.6703184 0.33038092 -0.50087476 1.1643585
0.96983343 1.3400391 1.0692116 -0.7623776 -0.6083422 -0.91371405
0.10002492]]
我正在使用numpy.argmax()
识别正确的标签。这个预测很有效。然而,由于这些不是概率,我无法将最佳结果与阈值进行比较
我的问题是,如何定义一个阈值(例如,0.6),然后比较预测数组中argmax()元素的概率,以便在概率小于阈值时将预测分类为“其他”
编辑1:
我们使用两种不同的型号。一个是凯拉斯,另一个是贝塔。我们在Keras中没有问题,因为它给出了概率,所以我跳过Keras模型
对Bert模型进行了预训练。以下是它的生成方式:
def model(self, data):
number_of_categories = len(data['encoded_categories'].unique())
model = BertForSequenceClassification.from_pretrained(
"dbmdz/bert-base-turkish-128k-uncased",
num_labels=number_of_categories,
output_attentions=False,
output_hidden_states=False,
)
# model.cuda()
return model
上面给出的输出是model.predict()
方法的结果。我们比较了两个模型,伯特稍微领先一点,因此我们知道预测效果很好。然而,我们不确定这些数字意味着什么或代表什么
以下是。BertForSequenceClassification
返回的logits,即标准化之前的分类分数。您可以通过调用torch.nn将分数标准化。functional
作为F
导入
由于有数千个标签,规范化的成本可能会很高,如果您只对argmax感兴趣,则不需要它。这可能就是模型仅返回原始分数的原因。BertForSequenceClassification
返回logits,即标准化之前的分类分数。您可以通过调用torch.nn将分数标准化。functional
作为F
导入
由于有数千个标签,规范化的成本可能会很高,如果您只对argmax感兴趣,则不需要它。这可能就是模型只返回原始分数的原因。您实际上是在问这是否可能,还是一个有效/好的想法?如果是前者,那么这样一个简单的数字操作怎么可能不可能呢?您可以在“帮助”中找到自己答案的最后一部分,谢谢。您提供的示例是关于Keras的。我有两个模型:一个是Keras,另一个是Bert。我已经在使用相同的方法(predmax模型到底是什么?您确定它用于分类吗?请至少发布一些链接到它的文档或其他东西。你真的在问这是否可能,或者这是一个有效/好的主意吗?如果是前者,那么这样一个简单的数字操作怎么可能不可能呢?您可以在“帮助”中找到自己答案的最后一部分,谢谢。您提供的示例是关于Keras的。我有两个模型:一个是Keras,另一个是Bert。我已经在使用相同的方法(predmax模型到底是什么?您确定它用于分类吗?请至少发布一些链接到它的文档或其他东西。