翻译:张逸
校对:冯羽
本文约2804字,建议阅读7分钟。
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:
现在就让我们开始吧
本文结构
教程共分为三个部分,分别是:
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(新数据)
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:
https://machinelearningmastery.com/train-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:
https://machinelearningmastery.com/tutorial-first-neural-network-python-keras/
# 训练一个最终分类的模型from keras.models import Sequentialfrom keras.layers import Densefrom sklearn.datasets.samples_generator import make_blobsfrom 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:
https://machinelearningmastery.com/save-load-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。
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。(not those models developed using the functional API.)
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 Sequentialfrom keras.layers import Densefrom sklearn.datasets.samples_generator import make_blobsfrom 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]
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。
http://scikitlearn.org/stable/modules/generated/sklearn.preprocessing.LabelEncoder.html#sklearn.preprocessing.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]
延伸阅读
这部分提供了一些相关的资料,如果你想更深入学习的话可以看一看。
How to Train a Final Machine Learning Model: https://machinelearningmastery.com/train-final-machine-learning-model/ Save and Load Your Keras Deep Learning Models: https://machinelearningmastery.com/save-load-keras-deep-learning-models/ Develop Your First Neural Network in Python With Keras Step-By-Step: https://machinelearningmastery.com/tutorial-first-neural-network-python-keras/ The 5 Step Life-Cycle for Long Short-Term Memory Models in Keras: https://machinelearningmastery.com/5-step-life-cycle-long-short-term-memory-models-keras/ How to Make Predictions with Long Short-Term Memory Models in Keras: https://machinelearningmastery.com/make-predictions-long-short-term-memory-models-keras/
总结:
在本教程中,你知道了如何使用Keras库通过最终的深度学习模型进行分类和回归预测。
具体来说,你了解到:
对本文的内容有什么问题吗?在下面的评论中提出来,我将尽我所能来回答。
原文链接:
https://machinelearningmastery.com/how-to-make-classification-and-regression-predictions-for-deep-learning-models-in-keras/
译者简介
张逸,中国传媒大学大三在读,主修数字媒体技术。对数据科学充满好奇,感慨于它创造出来的新世界。目前正在摸索和学习中,希望自己勇敢又热烈,学最有意思的知识,交最志同道合的朋友。
转载须知
如需转载,请在开篇显著位置注明作者和出处(转自:数据派THU ID:DatapiTHU),并在文章结尾放置数据派醒目二维码。有原创标识文章,请发送【文章名称-待授权公众号名称及ID】至联系邮箱,申请白名单授权并按要求编辑。
发布后请将链接反馈至联系邮箱(见下方)。未经许可的转载以及改编者,我们将依法追究其法律责任。
为保证发文质量、树立口碑,数据派现设立“错别字基金”,鼓励读者积极纠错。 若您在阅读文章过程中发现任何错误,请在文末留言,经小编确认后,数据派将向检举读者发8.8元红包。 同一位读者指出同一篇文章多处错误,奖金不变。不同读者指出同一处错误,奖励第一位读者。 感谢一直以来您的关注和支持,希望您能够监督数据派产出更加高质的内容。