Python 如何针对我的keras训练模型运行测试数据?
培训我的模型的代码是:Python 如何针对我的keras训练模型运行测试数据?,python,tensorflow,keras,neural-network,Python,Tensorflow,Keras,Neural Network,培训我的模型的代码是: from keras.models import Sequential from keras.layers import Dense import numpy import pandas as pd X = pd.read_csv( "data/train.csv", header=0, usecols=['Type', 'Age', 'Breed1', 'Breed2', 'Gender', 'Color1', 'Color2', 'Color3', 'Mat
from keras.models import Sequential
from keras.layers import Dense
import numpy
import pandas as pd
X = pd.read_csv(
"data/train.csv", header=0, usecols=['Type', 'Age', 'Breed1', 'Breed2', 'Gender', 'Color1', 'Color2', 'Color3', 'MaturitySize', 'FurLength', 'Vaccinated', 'Dewormed', 'Sterilized', 'Health', 'Quantity', 'Fee', 'VideoAmt', 'PhotoAmt'])
Y = pd.read_csv(
"data/train.csv", header=0, usecols=['AdoptionSpeed'])
X = pd.get_dummies(X, columns=["Type", "Breed1",
"Breed2", 'Color1', 'Color2', 'Color3', 'Gender', 'MaturitySize', 'FurLength'])
print(X)
Y = Y['AdoptionSpeed'].apply(lambda v: v / 4)
input_units = X.shape[1]
model = Sequential()
model.add(Dense(input_units, input_dim=input_units, activation='relu'))
model.add(Dense(input_units, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy',
optimizer='adam', metrics=['accuracy'])
model.fit(X, Y, epochs=250, batch_size=1000)
scores = model.evaluate(X, Y)
我有一个名为test.csv
的文件。我如何根据模型测试该设置,以查看我的模型有多有效
它似乎对训练数据有97%的准确率,但我担心它可能是过度拟合。您可以按照以下方法进行训练:
f = "test.csv"
X = pd.read_csv(
f, header=0, usecols=['Type', 'Age', 'Breed1', 'Breed2', 'Gender', 'Color1', 'Color2', 'Color3', 'MaturitySize', 'FurLength', 'Vaccinated', 'Dewormed', 'Sterilized', 'Health', 'Quantity', 'Fee', 'VideoAmt', 'PhotoAmt'])
Y = pd.read_csv(
f, header=0, usecols=['AdoptionSpeed'])
X = pd.get_dummies(X, columns=["Type", "Breed1",
"Breed2", 'Color1', 'Color2', 'Color3', 'Gender', 'MaturitySize', 'FurLength'])
print(X)
Y = Y['AdoptionSpeed'].apply(lambda v: v / 4)
scores = model.evaluate(X, Y)
为了选择在测试集上评估它的最佳模型,您应该首先将训练集拆分为训练集和验证集。然后迭代地训练和验证模型。Keras
fit
方法会自动为您执行此操作
model.fit(X, Y, epochs=250, batch_size=1000, validation_split=0.2)
如您所见,这将分配20%的训练集用于模型验证
然后,您应该使用test.csv
文件来衡量您选择的模型有多好。但是,切勿使用测试集进行模型选择。使用测试集可以对模型在现实世界中的性能做出无偏估计
然后我将加载test.csv
文件并使用:
model.evaluate(x=X_test, y=Y_test)
否则,如果您只想对测试集执行推断,则可以执行以下操作:
predictions = model.predict(X_test)
此方法将返回测试集的预测。您可以在读取培训文件时读取该文件,然后使用
模型。评估@pooyan d'oh。很简单。如果你把答案贴出来,我可以接受。谢谢问题是我的test.csv
没有AdoptionSpeed
。那么,如何在其上运行模型以获得输出值呢?