Python 属性错误：'；功能性'；对象没有属性'；预测概率'；

对于使用多个模型打印ROC曲线，我面临着这个特殊的错误。需要帮助

from tensorflow.keras.models import load_model
    def dense():
      return (load_model('DenseNet201.h5'))
    def mobile():
      return(load_model('MobileNet.h5'))
    def res():
      return(load_model('ResNet50V2.h5'))
    def vgg():
      return(load_model('VGG16.h5'))
    models = [
    {
        'label': 'DenseNet201',
        'model': dense(),
    },
    {
        'label': 'MobileNet',
        'model':mobile(),
    },
    {
        'label': 'ResNet50V2',
        'model':res(),
    },
    {
        'label': 'VGG16',
        'model':vgg(),
    }]
    from sklearn import metrics
    import matplotlib.pyplot as plt
    from tensorflow.keras.utils import to_categorical
    plt.figure()
    
    # Below for loop iterates through your models list
    for m in models:
        model = m['model'] # select the model
        #model.fit(X_train, y_train) # train the model
        y_pred=model.predict(X_test) # predict the test data
    # Compute False postive rate, and True positive rate
        #fpr, tpr, thresholds = metrics.roc_curve(y_test, model.y_pred_bin(X_test)[:,1])
        fpr, tpr, thresholds = metrics.roc_curve(y_test, model.predict_proba(X_test)[:,1])
    # Calculate Area under the curve to display on the plot
        auc = metrics.roc_auc_score(y_test,model.predict(X_test))
    # Now, plot the computed values
        plt.plot(fpr, tpr, label='%s ROC (area = %0.2f)' % (m['label'], auc))
    # Custom settings for the plot 
    plt.plot([0, 1], [0, 1],'r--')
    plt.xlim([0.0, 1.0])
    plt.ylim([0.0, 1.05])
    plt.xlabel('1-Specificity(False Positive Rate)')
    plt.ylabel('Sensitivity(True Positive Rate)')
    plt.title('Receiver Operating Characteristic')
    plt.legend(loc="lower right")
    plt.show()   # Display

我将预先训练好的模型加载到一个函数中，并使用以下代码返回它。我做了一个列表，它将被迭代，它将调用加载这些模型的函数，因此每个模型的ROC曲线将被绘制

完全回溯

> AttributeError                            Traceback (most recent call
> last) <ipython-input-43-f353a6208636> in <module>()
>      11 # Compute False postive rate, and True positive rate
>      12     #fpr, tpr, thresholds = metrics.roc_curve(y_test, model.y_pred_bin(X_test)[:,1])
> ---> 13     pred_prob = model.predict_proba(X_test)
>      14     fpr, tpr, thresholds = metrics.roc_curve(y_test, pred_prob[:,1])
>      15 # Calculate Area under the curve to display on the plot
> 
> AttributeError: 'Functional' object has no attribute 'predict_proba'

>属性错误回溯（最近的调用
>最后）在（）
>11#计算假阳性率和真阳性率
>12#fpr，tpr，thresholds=metrics.roc_曲线（y#u检验，model.y#u pred#u bin（X#检验）[：，1]）
>-->13预测概率=模型预测概率（X检验）
>14 fpr，tpr，阈值=度量。roc_曲线（y_检验，预测概率[：，1]）
>15#计算曲线下的面积以显示在绘图上
> 
>AttributeError:“Functional”对象没有属性“predict\u proba”

您可以使用此-

模型。批量预测（X检验）

请注意，roc_曲线或f1_分数只接受单值输出。像[[1]，[0]，…[1]]

在我的例子中，我把它转换成了category，比如[[0,1]，[1,0]，…，[0,1]]，并在输出中使用了softmax

因此，模型。批量预测（X_检验）也给出了输出likr[[0.3,0.7]，[0.9,0.1]…[0.2,0.8]]

因此，我必须将其转换为单值输出，然后使用以下函数通过roc_曲线或sklearn的f1_分数：

  def y_(y):
    r = []  
    for i in y:
      if i[0] > 0.5:
        r.append([0])
      else:
        r.append([1])
    return np.array(r)

---

您可以包括完整的回溯吗？

predict\u proba

仅适用于某些类型的模型。。。很可能您的列表中有一个模型不支持该方法。。。您可以使用

try:

模型找出导致错误的模型。predict\u proba（X\u test）

除外：

打印（模型名称）

请查看。我用完整的回溯更新了代码