基于Keras机器学习库的分类预测

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