MultiClass Keras Classifier 预测输出意义
MultiClass Keras Classifier prediction output meaning
我有一个使用 Scikit-Learn 的 Keras 包装器构建的 Keras 分类器 API。神经网络有10个输出节点，训练数据全部使用one-hot encoding表示。
根据 Tensorflow documentation，predict 函数输出 (n_samples,) 的形状。当我拟合 514541 个样本时，该函数返回一个形状为 (514541, ) 的数组，数组的每个条目的范围为 0 到 9。
由于我有十个不同的输出，每个条目的数值是否与我在训练矩阵中编码的结果完全对应？
即如果我 y_train 的单热编码的索引 5 表示 "orange"，预测值 5 是否意味着神经网络预测 "orange"？
这是我的模型示例：
model = Sequential()
model.add(Dropout(0.2, input_shape=(32,) ))
model.add(Dense(21, activation='selu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
你的问题有些问题。
The neural network has 10 output nodes, and the training data is all represented using one-hot encoding.
由于您的网络有 10 个输出节点，并且您的标签是单热编码的，因此您的模型的输出也应该是 10 维的，并且也是热编码的，即形状 (n_samples, 10)。此外，由于您对最后一层使用 softmax 激活，因此 10 维输出的每个元素都应在 [0, 1] 中，并解释为输出属于各自的概率 (one-hot编码）class.
According to Tensorflow documentation, the predict function outputs a shape of (n_samples,).
令人费解的是为什么你提到 Tensorflow，而你的模型显然是 Keras 模型；你应该参考Keras sequential API的predict方法。
When I fitted 514541 samples, the function returned an array with shape (514541, ), and each entry of the array ranged from 0 to 9.
如果发生类似的事情，那一定是由于您的代码后面的部分没有在此处显示；在任何情况下，想法都是从每个 10 维网络输出中找到具有最高值的 argument（因为它们被解释为概率，直观的是具有最高值的元素值将是最有可能的）。换句话说，在你的代码中某处必须有这样的东西：
pred = model.predict(x_test)
y = np.argmax(pred, axis=1) # numpy must have been imported as np
这将给出一个形状为 (n_samples,) 的数组，每个 y 一个介于 0 和 9 之间的整数，正如您报告的那样。
i.e. if index 5 of my one-hot encoding of y_train represents "orange", does a prediction value of 5 mean that the neural network predicted "orange"?
只要以上成立，是的。
我有一个使用 Scikit-Learn 的 Keras 包装器构建的 Keras 分类器 API。神经网络有10个输出节点，训练数据全部使用one-hot encoding表示。
根据 Tensorflow documentation，predict 函数输出 (n_samples,) 的形状。当我拟合 514541 个样本时，该函数返回一个形状为 (514541, ) 的数组，数组的每个条目的范围为 0 到 9。
由于我有十个不同的输出，每个条目的数值是否与我在训练矩阵中编码的结果完全对应？
即如果我 y_train 的单热编码的索引 5 表示 "orange"，预测值 5 是否意味着神经网络预测 "orange"？
这是我的模型示例：
model = Sequential()
model.add(Dropout(0.2, input_shape=(32,) ))
model.add(Dense(21, activation='selu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
你的问题有些问题。
The neural network has 10 output nodes, and the training data is all represented using one-hot encoding.
由于您的网络有 10 个输出节点，并且您的标签是单热编码的，因此您的模型的输出也应该是 10 维的，并且也是热编码的，即形状 (n_samples, 10)。此外，由于您对最后一层使用 softmax 激活，因此 10 维输出的每个元素都应在 [0, 1] 中，并解释为输出属于各自的概率 (one-hot编码）class.
According to Tensorflow documentation, the predict function outputs a shape of
(n_samples,).
令人费解的是为什么你提到 Tensorflow，而你的模型显然是 Keras 模型；你应该参考Keras sequential API的predict方法。
When I fitted 514541 samples, the function returned an array with shape
(514541, ), and each entry of the array ranged from 0 to 9.
如果发生类似的事情，那一定是由于您的代码后面的部分没有在此处显示；在任何情况下，想法都是从每个 10 维网络输出中找到具有最高值的 argument（因为它们被解释为概率，直观的是具有最高值的元素值将是最有可能的）。换句话说，在你的代码中某处必须有这样的东西：
pred = model.predict(x_test)
y = np.argmax(pred, axis=1) # numpy must have been imported as np
这将给出一个形状为 (n_samples,) 的数组，每个 y 一个介于 0 和 9 之间的整数，正如您报告的那样。
i.e. if index 5 of my one-hot encoding of y_train represents "orange", does a prediction value of 5 mean that the neural network predicted "orange"?
只要以上成立，是的。