Python 如何构造布尔结果的机器学习模型？

我对Python和机器学习相当陌生。我试图为下面的问题提出一些模型：我有一堆x-y关系形式的数据，这些数据描述了一个正的和同一类型的数据描述了一个负的

由于数据是不统一的，有时我有2000行描述一个正的，有时只有200行，我试着在一个图形中绘制它，并在一些Conv2D、MaxPooling、flatte和Dense层中运行它们

现在这很好，精度指标在95%到100%之间，但我的问题是该模型如何重新计算浮点值而不是真或假，我无法真正辨别我的模型的真实精度有多高。我如何从那里开始

另外，我可以使用哪些超参数来获取布尔返回？什么类型的模型适合这个问题？谢谢你抽出时间

编辑： 我的模型使用以下代码：

model=Sequential（）
添加（Conv2D（512，内核大小=（5,5），activation=“relu”，padding=“same”，input\u shape=（400800,1）））
模型。添加（辍学（0.3））
model.add（MaxPooling2D（））
添加（Conv2D（256，内核大小=（5,5），activation=“relu”，padding=“same”））
model.add（MaxPooling2D（））
添加（Conv2D（128，内核大小=（5,5），activation=“relu”，padding=“same”））
模型。添加（辍学（0.3））
model.add（MaxPooling2D（））
model.add（展平（））
model.add（密集（256，activation=“relu”））
模型。添加（辍学（0.3））
model.add（密集（1，activation=“sigmoid”））
model.compile（优化器=Adam（学习率=0.0001），loss=“二进制交叉熵”，metrics=[“准确度”]）

---

输出是一个介于0和1之间的数字。我想知道如何构建一个具有布尔输出的神经网络，或者通过其他方式，我可以对测试数据获得适当的精度。

您的输出包含一个sigmoid函数，这意味着正如您所说，您的网络在区间[0，1]中输出一个值。您可以将此输出视为概率分布。因此，如果输出<0.5，则为0/假；如果输出大于0.5，则为1/真。

很难确定您的问题是因为您没有显示代码。但基于您的架构（层），我认为您错过了最后一层，即激活层（即ReLU或sigmoid函数）。您提出了错误的问题，您已经有了一个可以工作的模型，您应该要求了解它是如何工作的，以及如何将输出转换为二进制决策，这里已经有很多问题了。我可以这样做，而在手动进行验证的同时，我一直在这样做，但这样操作数字似乎并不正确。谢谢你的评论。这就是方法。没有其他方法可以做到这一点。您有一个二进制分类任务，并使用二进制交叉熵损失。这个损失计算的正是我提到的概率分布。你的模型学习了一个概率分布，从这个分布中，你得到了最终的标签。这里没有操纵。如果我能正确理解你的话，这已经是事实了。谢谢你。你有没有建议我可以用什么其他类型的模型来解决这个问题？我想从几个方面来回答这个问题。我的意思是，你当然可以尝试不同类型的基于CNN的网络。你指的是完全不同于CNN或其他CNN网络的东西吗？完全不同的东西，比如RNN。或者其他可以学习y-x关系的神经网络。我对各种各样的算法都有点迷茫。