วิธีรับการทำนายด้วย predict_generator จากข้อมูลการทดสอบการสตรีมใน Keras

ในบล็อก Keras เกี่ยวกับการฝึกอบรมทำให้มั่นใจตั้งแต่เริ่มต้นรหัสจะแสดงเฉพาะเครือข่ายที่ทำงานกับข้อมูลการฝึกอบรมและการตรวจสอบความถูกต้อง แล้วข้อมูลทดสอบล่ะ ข้อมูลการตรวจสอบเป็นเช่นเดียวกับข้อมูลทดสอบ (ฉันคิดว่าไม่) หากมีโฟลเดอร์ทดสอบแยกต่างหากในบรรทัดที่คล้ายกันเป็นโฟลเดอร์รถไฟและการตรวจสอบความถูกต้องเราจะได้รับเมทริกซ์ความสับสนสำหรับข้อมูลการทดสอบอย่างไร ฉันรู้ว่าเราต้องใช้ scikit learn หรือชุดอื่น ๆ เพื่อทำสิ่งนี้ แต่ฉันจะทำบางสิ่งให้สอดคล้องกับความน่าจะเป็นที่ชาญฉลาดของชั้นเรียนสำหรับข้อมูลการทดสอบ ฉันหวังว่าจะใช้สิ่งนี้กับเมทริกซ์ความสับสน

ในการรับเมทริกซ์ความสับสนจากข้อมูลทดสอบคุณควรดำเนินการสองขั้นตอน:

1. ทำการคาดการณ์ข้อมูลการทดสอบ

ตัวอย่างเช่นใช้model.predict_generatorในการทำนายความน่าจะเป็น 2,000 รายการแรกจากเครื่องมือสร้างการทดสอบ

generator = datagen.flow_from_directory(
        'data/test',
        target_size=(150, 150),
        batch_size=16,
        class_mode=None,  # only data, no labels
        shuffle=False)  # keep data in same order as labels

probabilities = model.predict_generator(generator, 2000)

2. คำนวณเมทริกซ์ความสับสนตามการทำนายเลเบล

ตัวอย่างเช่นเปรียบเทียบความน่าจะเป็นกับกรณีที่มีแมว 1,000 ตัวและสุนัข 1,000 ตัวตามลำดับ

from sklearn.metrics import confusion_matrix

y_true = np.array([0] * 1000 + [1] * 1000)
y_pred = probabilities > 0.5

confusion_matrix(y_true, y_pred)

หมายเหตุเพิ่มเติมเกี่ยวกับข้อมูลการทดสอบและการตรวจสอบ

เอกสาร Keras ใช้ข้อมูลที่แตกต่างกันสามชุด: ข้อมูลการฝึกอบรมข้อมูลการตรวจสอบและข้อมูลการทดสอบ ข้อมูลการฝึกอบรมถูกใช้เพื่อปรับพารามิเตอร์โมเดลให้เหมาะสม ข้อมูลการตรวจสอบความถูกต้องใช้เพื่อเลือกตัวเลือกเกี่ยวกับ meta-parameters เช่นจำนวน epochs หลังจากปรับโมเดลให้เหมาะสมด้วยพารามิเตอร์ meta ที่ดีที่สุดข้อมูลการทดสอบจะถูกใช้เพื่อให้ได้ค่าประมาณที่เหมาะสมของประสิทธิภาพของโมเดล

นี่คือรหัสที่ฉันได้ลองและทำงานให้ฉัน:

pred= model.predict_generator(validation_generator, nb_validation_samples // batch_size)
predicted_class_indices=np.argmax(pred,axis=1)
labels = (validation_generator.class_indices)
labels2 = dict((v,k) for k,v in labels.items())
predictions = [labels[k] for k in predicted_class_indices]
print(predicted_class_indices)
print (labels)
print (predictions)

จากนั้นคุณสามารถใช้:

print (confusion matrix(predicted_class_indices,labels)

ตรวจสอบให้แน่ใจว่าคุณใช้shuffle=Falseในเครื่องมือสร้างการทดสอบ (ในกรณีของฉันคือเครื่องมือตรวจสอบความถูกต้อง) และรีเซ็ตโดยใช้validation_generator.reset()ก่อนที่คุณจะทำการคาดการณ์

สำหรับเมทริกซ์ความสับสนคุณต้องใช้แพ็คเกจ sklearn ฉันไม่คิดว่า Keras จะสามารถสร้างเมทริกซ์ที่สับสนได้ สำหรับการทำนายค่าในชุดทดสอบเพียงเรียกเมธอด model.predict () เพื่อสร้างการทำนายสำหรับชุดทดสอบ ประเภทของค่าเอาต์พุตขึ้นอยู่กับประเภทรุ่นของคุณเช่นความไม่ต่อเนื่องหรือความน่าจะเป็น