Python 修改序列模型的多类预测数组以匹配KerasClassifier

我理解使用

dataframe = pandas.read_csv("IrisDataset.csv", header=None)
dataset = dataframe.values 
X = dataset[:,0:4].astype(float)
Y = dataset[:,4]

# encode class values as integers
encoder = LabelEncoder()
encoder.fit(Y)
encoded_Y = encoder.transform(Y)
# convert integers to dummy variables (i.e. one hot encoded)
dummy_y = np_utils.to_categorical(encoded_Y)

def baseline_model():
    # create model
    model = Sequential()
    model.add(Dense(8, input_dim=4, activation='relu'))
    model.add(Dense(3, activation='softmax'))
    # Compile model
    model.compile(loss='categorical_crossentropy', optimizer='adam',  metrics=['accuracy'])
  return model
estimator = KerasClassifier(build_fn=baseline_model, epochs=50, batch_size=5, verbose=0)    

estimator.fit(X, dummy_y)
predictions=estimator.predict(X)

要创建预测，可以通过以下方式计算指标：

print "PRECISION\t", precision_score(Y,encoder.inverse_transform(predictions), average=None)

其中Y是训练集的标签。但是如果我用这个来代替估计器：

model = Sequential()
model.add(Dense(8, input_dim=4, activation='relu'))
model.add(Dense(3, activation='softmax'))
# Compile model
model.compile(loss='categorical_crossentropy', optimizer='adam',  metrics=['accuracy']
model.fit(X, dummy_y,epochs=50,batch_size=5,  shuffle=True, verbose=1)
predictions=model.predict(x=tst_X,batch_size=50,verbose=1) 

然后预测有不同的形式，我不能用它作为计算的参数。 有没有其他方法来计算精度和其他指标？

---

我需要转换预测吗？

您的

顺序

模型的输出将具有形状

（3，）

，包含估计的类别概率。接下来，您必须获得每个预测的预测（最有可能）类，即您必须使用

argmax

predictions = model.predict(x=tst_X, batch_size=50, verbose=1)
predictions = np.argmax(predictions, 1)

然后，您可以按原样使用代码的其余部分

否则，您也可以直接使用

Sequential

模型的

predict\u classes

函数，这基本上是做同样的事情：

predictions = model.predict_classes(x=tst_X, batch_size=50, verbose=1)

predict_classes（）确实有帮助。我尝试了两种方法，但argmax（）实际上不起作用。它返回了一个满是零的数组