Keras - Modellbewertung und Modellvorhersage

Dieses Kapitel befasst sich mit der Modellbewertung und Modellvorhersage in Keras.

Beginnen wir mit dem Verständnis der Modellbewertung.

Modellbewertung

Die Bewertung ist ein Prozess während der Entwicklung des Modells, um zu überprüfen, ob das Modell für das gegebene Problem und die entsprechenden Daten am besten geeignet ist. Das Keras-Modell bietet eine Funktion, die die Bewertung des Modells ausführt. Es hat drei Hauptargumente:

  • Testdaten
  • Datenetikett testen
  • ausführlich - wahr oder falsch

Lassen Sie uns das Modell, das wir im vorherigen Kapitel erstellt haben, anhand von Testdaten bewerten.

score = model.evaluate(x_test, y_test, verbose = 0) 

print('Test loss:', score[0]) 
print('Test accuracy:', score[1])

Wenn Sie den obigen Code ausführen, werden die folgenden Informationen ausgegeben.

0

Die Testgenauigkeit beträgt 98,28%. Wir haben ein bestes Modell erstellt, um die Handschriftziffern zu identifizieren. Positiv zu vermerken ist, dass wir unser Modell noch verbessern können.

Modellvorhersage

Predictionist der letzte Schritt und unser erwartetes Ergebnis der Modellgenerierung. Keras bietet eine Methode zur Vorhersage , um die Vorhersage des trainierten Modells zu erhalten. Die Signatur der Vorhersagemethode lautet wie folgt:

predict(
   x, 
   batch_size = None, 
   verbose = 0, 
   steps = None, 
   callbacks = None, 
   max_queue_size = 10, 
   workers = 1, 
   use_multiprocessing = False
)

Hier sind alle Argumente optional, mit Ausnahme des ersten Arguments, das auf die unbekannten Eingabedaten verweist. Die Form sollte beibehalten werden, um die richtige Vorhersage zu erhalten.

Lassen Sie uns eine Vorhersage für unser MPL-Modell machen, das im vorherigen Kapitel mit dem folgenden Code erstellt wurde:

pred = model.predict(x_test) 
pred = np.argmax(pred, axis = 1)[:5] 
label = np.argmax(y_test,axis = 1)[:5] 

print(pred) 
print(label)

Hier,

  • Line 1 Rufen Sie die Vorhersagefunktion mit Testdaten auf.

  • Line 2 erhält die ersten fünf Vorhersagen

  • Line 3 Ruft die ersten fünf Etiketten der Testdaten ab.

  • Line 5 - 6 druckt die Vorhersage und das tatsächliche Etikett.

Die Ausgabe der obigen Anwendung ist wie folgt:

[7 2 1 0 4] 
[7 2 1 0 4]

Die Ausgabe beider Arrays ist identisch und zeigt an, dass unser Modell die ersten fünf Bilder korrekt vorhersagt.