模型预测输出

Question

在docs中，predict_proba(self, x, batch_size=32, verbose=1)是

Generates class probability predictions for the input samples batch by batch.

和回报

A Numpy array of probability predictions.

假设我的模型是二元分类模型，输出是[a, b]，因为a是class_0的概率，而b是class_1的概率？

Answer 1

这里的情况是不同的，而且有点误导，特别是当您将predict_proba方法与同名的sklearn方法进行比较时。在Keras（不是sklearn包装器）中，方法predict_proba与方法predict完全相同。你甚至可以检查一下here：

def predict_proba(self, x, batch_size=32, verbose=1):
        """Generates class probability predictions for the input samples
        batch by batch.
        # Arguments
            x: input data, as a Numpy array or list of Numpy arrays
                (if the model has multiple inputs).
            batch_size: integer.
            verbose: verbosity mode, 0 or 1.
        # Returns
            A Numpy array of probability predictions.
        """
        preds = self.predict(x, batch_size, verbose)
        if preds.min() < 0. or preds.max() > 1.:
            warnings.warn('Network returning invalid probability values. '
                          'The last layer might not normalize predictions '
                          'into probabilities '
                          '(like softmax or sigmoid would).')
        return preds

所以-在二进制分类的情况下-输出取决于网络的设计：

• 如果网络的最终输出是通过一个sigmoid输出获得的，那么predict_proba的输出只是分配给类1的概率。
• 如果网络的最终输出是通过应用softmax函数的二维输出获得的，那么predict_proba的输出是一对，其中[a, b]，其中a = P(class(x) = 0)和b = P(class(x) = 1)。

第二种方法很少使用，使用第一种方法在理论上有一些优势，但我想告诉你，以防万一。

Answer 2

这取决于如何指定模型和目标的输出。两者都可以。通常当一个人进行二值分类时，输出是一个单一的值，这是一个正预测的概率。1减去输出是负预测的概率。