Python 如何解释和转换Keras分类器预测的值？

我正在训练我的Keras模型，以预测在提供数据参数的情况下，它是否会进行拍摄，并以0表示否，1表示是的方式表示。然而，当我试图预测它时，我得到的值是浮动的

我已经尝试使用与火车数据完全相同的数据来得到1，但它不起作用

我使用下面的数据尝试了一种热编码

我想得到

[[0,1]
[1,0]]

然而，我越来越

[[0.8544417  0.14555828]
 [0.9312985  0.06870154]]

---

此外，有人能向我解释一下这个值0.8544417是什么意思吗？

实际上，您可以将顶部带有softmax分类器的模型的输出解释为类的置信度得分或概率（因为softmax函数将值标准化，使其为正值，且总和为1）。因此，当您为模型提供一个真正的标签

[1，0]

时，这意味着该样本属于概率为1的类1，而属于概率为零的类2。因此，在训练期间，优化过程试图尽可能接近该标签，但它永远不会精确地达到[1,0]（实际上由于softmax，它可能会接近[0.9999999,0.000001]，但永远不会达到[1,0]）

<>但是这不是问题，因为我们有兴趣得到足够接近并知道最高概率的类，并将其视为模型的预测。通过以最大概率查找类的索引，您可以轻松做到这一点：

import numpy as np

preds = model.predict(some_data)
class_preds = np.argmax(preds, axis=-1) # e.g. for [max,min] it gives 0, for [min,max] it gives 1

此外，如果出于任何原因，您有兴趣将预测转换为[0,1]或[1,0]，则只需对值进行四舍五入即可：

import numpy as np

preds = model.predict(some_data)
round_preds = np.around(preds)   # this would convert [0.87, 0.13] to [1., 0.]

注意：四舍五入仅适用于两个类，当您有两个以上的类时不适用（例如，四舍五入后，[0.3,0.4,0.3]将变为[0,0,0]）

---

注2:由于您是使用Keras的顺序API创建模型，因此作为上述

argmax

方法的替代方法，您可以直接使用

模型。预测类（一些数据）

将提供完全相同的输出。

如果答案解决了您的问题，请点击复选标记接受(✔) 在答案旁边，将您的问题标记为“已回答”-参见

import numpy as np

preds = model.predict(some_data)
round_preds = np.around(preds)   # this would convert [0.87, 0.13] to [1., 0.]