摘要:在前面的博文中,我们分享了基于机器学习库的分类预测,本文将分享机器学习库的分类预测。初学者经常会有这样的疑问如何在中用我自己的模型进行预测在本教程中,你将会发现如何在库的机器学习模型进行分类和回归预测。
摘要: 在Python中如何使用Keras模型对分类、回归进行预测?本文简述了其实现原理和代码实现。
在前面的博文中,我们分享了《基于scikit-learn机器学习库的分类预测》,本文将分享Keras机器学习库的分类预测。 一旦你在Keras中选择好机器学习模型,就可以用它来预测新的数据实例。初学者经常会有这样的疑问:如何在Keras中用我自己的模型进行预测?
在本教程中,你将会发现如何在Keras Python库的机器学习模型进行分类和回归预测。文章结构如下:
1.如何构建一个模型,为预测做好准备。
2.如何在Keras库中进行类别和概率预测。
3.如何在Keras库中进行回归预测。
一、构建一个模型在进行预测之前,你必须训练一个最终模型。你可以使用k-fold交叉验证或训练/测试数据,对模型进行训练。这样做的目的就是为了评估模型在样本外数据上的表现及其性能,比如新的数据。
你可以在这里了解更多关于如何训练最终模型的信息:
如何训练一个最终的机器学习模型?
二、对类别进行预测
分类问题,就是模型学习输入特征与输出特征之间的映射,确定某一个或多个数据实例是否为某一个类标签的问题,比如“是垃圾邮件”和“不是垃圾邮件”。
下面是在Keras中针对一个简单二元分类问题最终模型的示例代码。如何在Keras中开发一个神经网络模型,请看下面这篇文章:
手把手教你在Keras中用Python开发一个神经网络。
模型构建完成以后,需要将模型保存到文件中,如Keras API。保存后,你可以随时加载模型并使用它进行预测。有关这方面的详细内容,请参阅以下文章:
保存并加载你的Keras深度学习模型。
现在,我们希望用最终模型进行两种分类预测:类别预测和概率预测。
1、类别预测
类别预测就是给定最终模型和一个或多个数据实例,使用模型对预测数据实例进行分类。
首先我们并不知道新数据的类别。这就是我们需要这个模型的原因。
在Keras库的最终分类模型中,使用predict_classes()函数来预测新数据实例的所属类别。请注意,predict_classes()函数仅适用于Sequential模型,并不适用于使用function API开发的模型。
例如,数组Xnew中有一个或多个数据实例,将这个(这些)实例传递给模型的predict_classes()函数,以便预测数组中每个实例所属的类别。
预测代码如下:
运行上述代码,对三个新的数据实例的类别进行预测,并将新的数据实例和预测结果打印出来,如下图所示。
如果只有一个新的数据实例,则可以直接将放入数组中,并传递给predict_classes()函数,如下图所示。
运行该实例,并打印该实例数据和预测结果,如下图所示。
关于类别标签的注意事项
准备好数据后,可能使用过LabelEncoder将图像的类别(例如字符串型)映射为整型。也可以用LabelEncoder中的inverse_transform()函数将整型再转换回字符串型。出于这个原因,在拟合最终模型时,您可能想要在pickle库中保存用于编码输出预测结果的LabelEncoder。
2、概率预测
概率预测就是预测每个数据实例所属类别的概率。给定一个或多个新实例,该模型将预测每个数据所属类别的概率,并返回0和1之间的某一个值。
你可以在scikit-learn中调用predict_proba()函数进行这些实例的类别概率的预测,如下图所示:
在两种类别(二元)的情况下,输出层通常使用S形激活函数。预测概率用来描述实例数据属于第一类的可能性。
在多种类别的情况下,输出层通常使用softmax激活函数,并返回所属类别的可能性。
下面的代码是对数据实例数组Xnew中的每个实例进行概率预测。
运行上述代码进行概率预测,并打印出输入数据实例以及每个实例数据属于第一类的概率。
三、如何使用回归模型进行预测回归属于监督学习,给定输入实例数据,模型学习并将数据数据映射到一个合适的输出量,例如0.1,0.2等。
一个Keras最终的回归模型如下所示。
我们可以在最终模型上调用predict()函数来预测所述类别的概率。和分类一样,predict()函数将一个或多个数据实例的列表或数组作为输入。
下面的例子为在多个类别的新数据实例上进行回归预测。
运行上述代码,对多个数据实例进行预测,并将输出和预测结果打印出来,如下图所示。
将相同的函数用于适当的列表或数组中,就可以对单个数据实例进行预测,举例如下。
数十款阿里云产品限时折扣中,赶紧点击领劵开始云上实践吧!
以上为译文。
本文由阿里云云栖社区组织翻译。
文章原标题《How to Make Predictions with scikit-learn》,译者:Mags,审校:袁虎。
详情请阅读原文
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/20295.html
摘要:在前面的博文中,我们分享了基于机器学习库的分类预测,本文将分享机器学习库的分类预测。初学者经常会有这样的疑问如何在中用我自己的模型进行预测在本教程中,你将会发现如何在库的机器学习模型进行分类和回归预测。 摘要: 在Python中如何使用Keras模型对分类、回归进行预测?本文简述了其实现原理和代码实现。 在前面的博文中,我们分享了《基于scikit-learn机器学习库的分类预测》,本...
摘要:我们组织公益性的翻译活动学习活动和比赛组队活动,并和等国内著名开源组织保持良好的合作关系。主页归档社区自媒体平台微博知乎专栏公众号博客园简书搜狐号专栏合作侵权,请联系请抄送一份到 目录 Keras 中神经网络模型的 5 步生命周期 在 Python 迷你课程中应用深度学习 Keras 深度学习库的二元分类教程 如何用 Keras 构建多层感知器神经网络模型 如何在 Keras 中检查...
摘要:我们组织公益性的翻译活动学习活动和比赛组队活动,并和等国内著名开源组织保持良好的合作关系。主页归档社区自媒体平台微博知乎专栏公众号博客园简书搜狐号专栏合作侵权,请联系请抄送一份到 目录 Keras 中神经网络模型的 5 步生命周期 在 Python 迷你课程中应用深度学习 Keras 深度学习库的二元分类教程 如何用 Keras 构建多层感知器神经网络模型 如何在 Keras 中检查...
摘要:摘要机器学习的快速发展,使得市面上出现了很多开源框架,到底如何选择正确的框架呢今天我们就来谈一谈。在此,我们将讨论如何针对不同的用例选取开源的机器学习工具。为什么要选择机器学习框架呢使用开源工具的好处不仅仅在于其可用性。 摘要: 机器学习的快速发展,使得市面上出现了很多开源框架,到底如何选择正确的框架呢?今天我们就来谈一谈。 开源是创新和科技快速发展的核心。在此,我们将讨论如何针对不同...
摘要:我们在已经准备好的图像数据集上,使用库训练一个卷积神经网络。示例包含用于测试卷积神经网络的图像。训练,绘制准确性损耗函数,然后将卷积神经网络和类标签二进制文件序列化到磁盘。第和行将训练集和测试集按照的比例进行分割。 showImg(https://segmentfault.com/img/bV9lqk?w=698&h=698); 为了让文章不那么枯燥,我构建了一个精灵图鉴数据集(Pok...
阅读 1723·2021-09-23 11:21
阅读 1541·2019-08-29 17:27
阅读 872·2019-08-29 17:03
阅读 606·2019-08-29 15:07
阅读 1792·2019-08-29 11:13
阅读 2265·2019-08-26 12:14
阅读 738·2019-08-26 11:52
阅读 1612·2019-08-23 17:09