Neural network 二元分类挑战中的错误分类案例（在keras中）

使用以下定义的神经网络对图像中的数据集进行分类：。
模拟统计表明分类准确率为50%，因此我的问题是如何知道数据集的哪些情况没有正确分类

from keras.models import Sequential
from keras.layers import Dense
from sklearn.cross_validation import train_test_split
import numpy
# fix random seed for reproducibility
seed = 7
numpy.random.seed(seed)

dataset = numpy.loadtxt("sorted output.csv", delimiter=",")
# split into input (X) and output (Y) variables
X = dataset[:,0:3]
Y = dataset[:,3]
# split into 67% for train and 33% for test
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.33, random_state=seed)
# create model
model = Sequential()
model.add(Dense(12, input_dim=3, init='uniform', activation='relu'))
model.add(Dense(3, init='uniform', activation='relu'))
model.add(Dense(1, init='uniform', activation='sigmoid'))
# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
# Fit the model
model.fit(X_train, y_train, validation_data=(X_test,y_test), nb_epoch=150, batch_size=10)

---

比较

模型。预测（X\U列车）

与

y\U列车

。为此，可以添加行

train_prediction=np.round(model.predict(X_train)).reshape(-1)
train_prediction=train_prediction.astype(int)

直到代码的末尾。然后您可以查看

train\u prediction-y\u train

中的非零条目。这些条目的位置是模型进行错误分类的位置

---

之所以使用

np.round

，是因为最后一个激活函数是sigmoid。这意味着接近0的值被分类为0，接近1的值被分类为1。

模拟统计是什么意思？你可以在测试或训练数据上调用预测方法，然后将其与地面真实情况进行比较。我的测试数据（val_acc）的分类准确率为50%。这意味着一半的测试数据没有正确分类。我只是想知道我的数据集的哪些痕迹没有被NN正确分类。你能说得更具体些吗？提前谢谢