• 欢迎访问交通人网站！
  • 分享一款小游戏：信任的进化
    •    发表于7年前 (2018-06-04)  热点资讯 |   抢沙发  801 
    文章评分 0 次，平均分 0.0 ：
    [收起] 文章目录

    当你在 Keras 中选择好最合适的深度学习模型，就可以用它在新的数据实例上做预测了。但是很多初学者不知道该怎样做好这一点，我经常能看到下面这样的问题：“我应该如何用 Keras 对我的模型作出预测？”

    在本文中，你会学到如何使用 Keras 这个 Python 库完成深度学习模型的分类与回归预测。看完这篇教程，你能掌握以下几点：

    • 如何确定一个模型，为后续的预测做准备；
    • 如何用 Keras 对分类问题进行类及其概率的预测；
    • 如何用 Keras 进行回归预测。

    现在就让我们开始吧!

    模型确定

    在做预测之前，首先得训练出一个最终的模型。你可能选择 k 折交叉验证或者简单划分训练/测试集的方法来训练模型，这样做的目的是为了合理估计模型在样本集之外数据上的表现。

    当评估完成，这些模型存在的目的也达到了，就可以丢弃他们。接下来，你得用所有的可用数据训练出一个最终的模型。关于这方面的内容，你可以在下面这个文章中得到更多的信息：How to Train a Final Machine Learning Model。

    分类预测

    对于分类问题，模型学习的是一个输入特征到输出特征之间的映射，这里的输出即为一个标签，比如“垃圾邮件”和“非垃圾邮件”。

    下边是 Keras 中为简单的二分类问题开发的神经网络模型的一个例子。如果说你以前没有接触过用 Keras 开发神经网络模型的话，不妨先看看下边这篇文章：Develop Your First Neural Network in Python With Keras Step-By-Step。

    # 训练一个最终分类的模型：
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler

# 生成一个二分类问题的数据集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)

# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=200, verbose=0)

    建立好这个模型后，可能需要将它保存到文件中（比如通过 Keras 的相关 API）。以后你就可以随时加载这个模型，并用它进行预测了。有关这方面的示例，可以参考下边的文章：Save and Load Your Keras Deep Learning Models。

    为了本文的结构更简洁，我们的例子中省去了这个步骤。

    继续说回到分类预测的问题。我们希望最终得到的模型能进行两种预测：一是判断出类别，二是给出属于相应类别概率。

    分类预测

    一个类别预测会给定最终的模型以及若干数据实例，我们利用模型来判断这些实例的类别。对于新数据，我们不知道输出的是什么结果，这就是为什么首先需要一个模型。

    在 Keras 中，可以利用 predict_class() 函数来完成我们上述所说的内容——即利用最终的模型预测新数据样本的类别。

    需要注意的是，这个函数仅适用于 Sequential 模型，不适于使用功能式 API 开发的模型。

    比如，我们在名为 Xnew 的数组中有若干个数据实例，它被传入 predict_classes() 函数中，用来对这些数据样本的类别进行预测。

    Xnew = [[...], [...]]
ynew = model.predict_classes(Xnew)

    让我们用一个更具体的例子来说明：

    # 建立一个新的分类模型
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler

# 生成二分类数据集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)

# 定义并拟合最终模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)

# 新的未知数据实例
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
Xnew = scalar.transform(Xnew)

# 作出预测
ynew = model.predict_classes(Xnew)

# 显示输入和输出
for i in range(len(Xnew)):
print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

    下面是对三个实例预测的结果，我们将数据和预测结果一并输出：

    X=[0.89337759 0.65864154], Predicted=[0]
X=[0.29097707 0.12978982], Predicted=[1]
X=[0.78082614 0.75391697], Predicted=[0]

    如果你只有一个新的实例，那就需要将它包装一下，变成一个数组的形式。以便传给 predict_classes() 函数，比如这样：

    from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler
from numpy import array

# 生成一个二分类数据集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)

# 定义并拟合最终的新模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)

# 未知的新实例
Xnew = array([[0.89337759, 0.65864154]])

# 作出预测
ynew = model.predict_classes(Xnew)

# 显示输入输出
print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

    运行上边这个例子，会得到对这个单独实例的预测结果

    X=[0.89337759 0.65864154], Predicted=[0]

    关于类别标签的注意事项

    准备数据时，应该将其中的类别标签转换为整数表示（比如原始数据类别可能是一个字符串），这时候你就可能会用到 sklearn 中的 LabelEncoder。

    当然，在我们使用 LabelEcoder 中的函数 inverse_transform() 时，还可以将那些整数表示的类别标签转换回去。

    因为这个原因，在拟合最终模型时，你可能想要保存用于编码 /(y/) 值的 LabelEncoder 结果。

    概率预测

    另外一种是对数据实例属于某一类的可能性进行预测。它被称为“概率预测”，当给定一个新的实例，模型返回该实例属于每一类的概率值（0-1之间）。

    在 Keras 中，我们可以调用 predict_proba() 函数来实现。举个例子：

    Xnew = [[...], [...]]
ynew = model.predict_proba(Xnew)

    在二分类问题下，Sigmoid 激活函数常被用在输出层，预测概率是数据对象属于类别1的可能性，或者属于类别 0 的可能性（1-概率）。

    在多分类问题下，则是 softmax 激活函数常被用在输出层。数据对象属于每一个类别的概率作为一个向量返回。

    下边的例子对 Xnew 数据数组中的每个样本进行概率预测。

    from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets.samples_generator import make_blobs
from sklearn.preprocessing import MinMaxScaler

# 生成二分类数据集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
scalar.fit(X)
X = scalar.transform(X)

# 定义并拟合出最终模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)

# 新的未知数据
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
Xnew = scalar.transform(Xnew)

# 做预测
ynew = model.predict_proba(Xnew)

# 显示输入输出
for i in range(len(Xnew)):
print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

    我们运行这个实例，并将输入数据及这些实例属于类别1的概率打印出来：

    X=[0.89337759 0.65864154], Predicted=[0.0087348]
X=[0.29097707 0.12978982], Predicted=[0.82020265]
X=[0.78082614 0.75391697], Predicted=[0.00693122]

    回归预测

    回归预测是一个监督学习问题，该模型学习一个给定输入样本到输出数值的映射。比如会输出 0.1 或 0.2 这样的数字。

    下边是一个 Keras 回归的模型。

    # 训练一个回归模型的例子
from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import make_regression
from sklearn.preprocessing import MinMaxScaler

# 生成回归数据集
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
scalarX.fit(X)
scalarY.fit(y.reshape(100,1))
X = scalarX.transform(X)
y = scalarY.transform(y.reshape(100,1))

# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)

    我们可以在最终的模型中调用 predict() 函数进行数值的预测。该函数以若干个实例组成的数组作为输入参数。

    下面的例子演示了如何对未知的多个数据实例进行回归预测。

    from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import make_regression
from sklearn.preprocessing import MinMaxScaler

# 生成回归数据集
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
scalarX.fit(X)
scalarY.fit(y.reshape(100,1))
X = scalarX.transform(X)
y = scalarY.transform(y.reshape(100,1))

# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)

# 未知的新数据
Xnew, a = make_regression(n_samples=3, n_features=2, noise=0.1, random_state=1)
Xnew = scalarX.transform(Xnew)

# 作出预测
ynew = model.predict(Xnew)

# 显示输入输出
for i in range(len(Xnew)):
print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))

    运行上面那个多分类预测实例，然后将输入和预测结果并排打印，进行对比。

    X=[0.29466096 0.30317302], Predicted=[0.17097184]
X=[0.39445118 0.79390858], Predicted=[0.7475489]
X=[0.02884127 0.6208843 ], Predicted=[0.43370453]

    同样的，这个函数可以用于单独实例的预测，前提是它们包装成适当的格式。

    举例说明：

    from keras.models import Sequential
from keras.layers import Dense
from sklearn.datasets import make_regression
from sklearn.preprocessing import MinMaxScaler
from numpy import array

# 生成回归数据集
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
scalarX.fit(X)
scalarY.fit(y.reshape(100,1))
X = scalarX.transform(X)
y = scalarY.transform(y.reshape(100,1))

# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)

# 新的数据
Xnew = array([[0.29466096, 0.30317302]])

# 作出预测
ynew = model.predict(Xnew)

# 显示输入输出
print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))

    运行实例并打印出结果：

    X=[0.29466096 0.30317302], Predicted=[0.17333156]
      
     

    本文转载自头条号·THU 数据派，由交通人整理，转载请注明出处来自http://www.hijtr.com/classification-and-regression-based-on-keras/

    关于
    交通人博客是交通人工作室（JTR Studio）建立的交通人系列网站之一，是交通人工作室的主阵地，旨在整合和分享交通行业相关资讯，具体包括但不限于行业新闻、行业动态，以及行业相关规范、书籍、报告和软件等资源。
    上一篇  
    下一篇  

    发表评论

    表情 格式

    暂无评论

    
    切换注册

    登录

    忘记密码 ?

    切换登录

    注册

    扫一扫二维码分享
     繁