Python 如何在模型内部改变Keras模型的输出阈值？

我正在构建一个Keras模型，以便：

Y = 1 for X >= 0.5
Y = 0 for X < 0.5

创建模型后，我将权重设置为[1]，将偏差设置为[-0.5] 现在，我获得了很高的精度，但以下输入的输出错误：

[[0.50000006]
 [0.5       ]
 [0.50000001]
 [0.50000002]
 [0.50000007]
 [0.50000004]
 [0.50000001]
 [0.50000004]
 [0.50000004]
 [0.50000001]
 [0.50000003]
 [0.50000007]
 [0.50000008]
 [0.50000008]
 [0.50000004]
 [0.50000002]
 [0.50000006]
 [0.50000006]
 [0.5000001 ]
 [0.50000008]
 [0.50000002]
 [0.50000004]
 [0.50000006]
 [0.50000004]
 [0.5       ]
 [0.50000005]
 [0.50000003]
 [0.50000007]
 [0.50000004]
etc.

因此，模型已经了解到，

Y=1仅用于X>0.5

，但我需要

Y=1用于X>=0.5

---

我知道这可以通过

pred=model.predict（X）

获取输出，然后手动比较来实现。但我希望这是在模型内部完成的<代码>模型。预测类应具有阈值。我想更改此阈值。我该怎么做？

预测类不允许我们更改阈值。keras就是这样实现的

def predict_classes(self, x, batch_size=32, verbose=0):
    proba = self.predict(x, batch_size=batch_size, verbose=verbose)
    if proba.shape[-1] > 1:
      return proba.argmax(axis=-1)
    else:
      return (proba > 0.5).astype('int32')

如果您想拥有自己的阈值，则必须重载该方法

代码
predict\u classes
不允许我们更改阈值。keras就是这样实现的

def predict_classes(self, x, batch_size=32, verbose=0):
    proba = self.predict(x, batch_size=batch_size, verbose=verbose)
    if proba.shape[-1] > 1:
      return proba.argmax(axis=-1)
    else:
      return (proba > 0.5).astype('int32')

如果您想拥有自己的阈值，则必须重载该方法

代码
class MySequential(keras.models.Sequential):
  def __init__(self, **kwargs):
    super(MySequential, self).__init__(**kwargs)

  def predict_classes(self, x, batch_size=32, verbose=0):
    proba = self.predict(x, batch_size=batch_size, verbose=verbose)
    return (proba >= 0.6).astype('int32')

def define_model():
    model = MySequential()
    model.add(keras.layers.Dense(1, activation = 'sigmoid', input_shape=(None, 1)))

    opt = keras.optimizers.SGD(learning_rate = 0.01, momentum = 0.99)
    model.compile(loss='binary_crossentropy', optimizer=opt, metrics=['accuracy'])
    
    return model

# Test

model = define_model()
x = np.random.randn(5)
print (model.predict(x))
print (model.predict_classes(x))