CNN模型Keras中分类预测结果的巨大差异

Question

我用Keras训练了一个模型，每个行都是一个带有特征的样本。然后，我使用预训练模型进行预测。CNNdf921 rows x 10165 columns10160

我确保训练数据是平衡的，大约50%的样本带有标签，其余50%的样本带有标签。模型准确性看起来不错，但在预测过程中存在问题。01

因此，输入数据如下所示：

X = df.iloc[:,0:10160]  

X = X.to_numpy()                      

X = X.reshape([X.shape[0], X.shape[1],1]) 

X_train_1 = X[:,0:10080,:]

X_train_2 = X[:,10080:10160,:].reshape(921,80)      

Y = df.iloc[:,10163:10165]

Y = Y.to_numpy()

我用代码预测了带有预测标签“1”（for）的样本数量：label_1

prediction = pd.DataFrame(model.predict([X_train_1,X_train_2])) 

prediction['label_1'] = ['0' if x < 0.5 else '1' for x in prediction['prob']]

prediction[prediction['label_1'] == '1'].shape[0]/921

第二行代码计算所有样本中样本的比例。问题是，鉴于输入数据具有平衡的数量和，我期望分数约为50%左右，但计算出的分数介于范围〜（如果不是更极端）之间，差异巨大。可能出了什么问题？label_1 ==1100.080.98

Answer 1

请改用。否则，您将获得概率。model.predict_classes()prediction = pd.DataFrame(model.predict_classes([X_train_1,X_train_2]))&nbsp;prediction[prediction['label_1'] == '1'].shape[0]/921如果您使用的是功能性 API，请使用：np.argmax()np.argmax(model.predict([X_train_1,X_train_2]), axis=1)然后，您将需要预测所需的预测，如0和1而不是概率。