Python Keras将类预测与标签合并

在训练我的网络时，我遇到了一个多标签分类问题，在这个问题中，我将类标签转换为一个热编码

在训练模型并生成预测之后，keras只输出一个值数组，而不指定类标签

合并这些内容的最佳实践是什么，这样我的API就可以向使用者返回有意义的结果

范例

y = pd.get_dummies(df_merged.eventId)
y

2CBC9h3uple1SXxEVy8W    GiiFxmfrUwBNMGgFuoHo    e06onPbpyCucAGXw01mM
12  1                   0                       0
13  1                   0                       0
14  1                   0                       0

prediction = model.predict(pred_test_input)
prediction
array([[0.5002058 , 0.49697363, 0.50251794]], dtype=float32)

预期结果：

{结果：{2CBC9h3uple1SXxEVy8W:0.5002058，…}

编辑：根据评论添加模型-但这只是一个玩具模型

model = Sequential()
model.add(
  Embedding(
    input_dim=embeddings_index.shape[0],
    output_dim=embeddings_index.shape[1],
    weights=[embeddings_index],
    input_length=MAX_SEQ_LENGTH,
    trainable=False,
  )
)
model.add(LSTM(300))
model.add(Dense(units=len(y.columns), activation='sigmoid'))
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])

编辑2-添加y

因此，我的

y

格式如下：

eventId
123
123
234
...

---

然后，我使用

y=pd.get\u dummies（df\u merged.eventId）

将其转换为模型可以使用的内容，并希望将eventId追加到预测中。

首先，如果要进行多标签分类，则应使用

二进制交叉熵

损失：

model.compile(loss='binary_crossentropy', optimizer='sgd', metrics=['accuracy'])

<> P.>重要的是，KARAS的准确性不考虑多标签分类，因此它将是一个误导性度量。更合适的度量是每个类的精度/召回。 要获得类预测，必须对每个类的预测设置阈值，并且必须调整阈值（每个类的阈值不必相同），例如：

class_names = y.columns.tolist()
pred_classes = {}
preds = model.predict(pred_test_input)

thresh = 0.5
for i in range(num_classes):
    if preds[i] > thresh:
        pred_classes[class_name[i]] = preds[i]

---

这将输出类超过阈值的

pred_类

字典，并包括置信度得分。

这取决于模型结构，请包括它，特别是输出layers@MatiasValdenegro添加-但这实际上只是一个占位符。感谢您的回复，

class\u name

从哪里来从

preds

列表中没有任何对标签的引用。@Keras外部的dendog，它只是从类索引到类名的映射，它是将标签编码为数字形式时的反向操作。这正是我需要帮助的部分-以确保它们正确映射。您有没有关于如果这里有一个帮助函数来创建映射？我将添加我的代码来创建假人。另外@Matias Valdenegro请检查您关于二进制交叉熵的评论。我看到的大多数资源都声明它只用于两个类。@dendog没有什么要检查的，您正在进行多标签分类，这是N二进制分类问题，其中N是类的数量。