Python 需要使用Keras'的帮助；模型预测

我的目标是通过提供某个图形的2个垂直度和1个（如果有链接）或0（如果没有链接），使神经网络易于拟合

我适合我的模型，它得到约0.40损失，准确度约83%在拟合过程中。然后，我通过提供一批所有阳性样本和几批阴性样本（使用random.sample）来评估模型。我的模型对阳性样本的准确度分别为~0.35和~1.0，对阴性样本的准确度分别为~0.46和~0.68

我对神经网络的理解非常有限，但就我的理解而言，当没有链接时，当它输出0时，理论上总是正确的，但有时即使没有链接也可以输出1

现在来看我的实际问题：我试图通过model.predict用我的神经网络“重建”原始图形。问题是我不理解预测输出的含义。起初，我假设值高于0.5意味着1，否则为0。但如果是这样的话，模型甚至无法重建原始模型

我知道它并不完美，但对于随机链接候选者，它只返回大于0.5的值

---

有人能给我解释一下model.predict是如何准确工作的，以及如何正确使用它来重建我的图形吗？

您训练的模型不是直接优化的，而是图形重建。在不丧失一般性的情况下，对于

N

-节点图，您需要预测

N选择2个链接。可以合理地假设这些链接中的大多数的真实值为0

当研究0级和1级模型的准确性时，很明显，假设训练数据是平衡的，那么你的模型倾向于预测1级。因此，重建的图形包含许多虚警链接。这就是重建图性能差的确切原因

如果有可能对模型进行再训练，我建议你这样做，并使用更多的负样本

如果不是，则需要考虑应用一些后处理。例如，使用原始预测的链接概率形成节点到节点的链接矩阵，并应用最小生成树之类的方法进一步确定适当的链接，而不是寻找阈值来确定哪两个节点具有链接
 非常感谢你的回答！我不知道我是否正确理解了这一点，但你的意思是我应该重建我的模型，使其具有两个输出-isLinked和isNotLinked，因此我的预测输出在这两个方面都是预测的，我使用较高的一个进行重建？不。我不是说你需要重建模型以具有两个输出节点。我的意思是你的课程<代码>链接和<代码>没有链接< /代码>在大多数图表中是自然不平衡的，所以你可以考虑在你的训练数据中反映这个事实。我做到了。我的意思是，在我的测试图中，我有40个垂直，链接的总数是50。在完整的图表中，将有40*39=1560个链接。当我为每个vertice随机选取30个负样本，为正样本选取一次所有链接时，网络完全偏向负值。然后我试图平衡这一点，并用（40*30）/50=24倍的正常阳性样本数训练我的模型。在这之后，这两个方面的评估是相当平衡的，但我的重建仍然提供了绝对随机的输出。在我找到合适的比例之前，是否只是反复试验？