Keras - Evaluación de modelos y predicción de modelos

Este capítulo trata de la evaluación y predicción del modelo en Keras.

Comencemos por comprender la evaluación del modelo.

Evaluación del modelo

La evaluación es un proceso durante el desarrollo del modelo para verificar si el modelo se ajusta mejor al problema dado y los datos correspondientes. El modelo de Keras proporciona una función, evalúa cuál hace la evaluación del modelo. Tiene tres argumentos principales,

Datos de prueba
Etiqueta de datos de prueba
detallado - verdadero o falso

Evaluemos el modelo que creamos en el capítulo anterior usando datos de prueba.

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

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

La ejecución del código anterior generará la siguiente información.

La precisión de la prueba es del 98,28%. Hemos creado el mejor modelo para identificar los dígitos de la escritura a mano. En el lado positivo, todavía podemos mejorar nuestro modelo.

Predicción del modelo

Predictiones el paso final y nuestro resultado esperado de la generación del modelo. Keras proporciona un método de predicción para obtener la predicción del modelo entrenado. La firma del método de predicción es la siguiente,

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

Aquí, todos los argumentos son opcionales excepto el primer argumento, que se refiere a los datos de entrada desconocidos. La forma debe mantenerse para obtener la predicción adecuada.

Hagamos predicciones para nuestro modelo MPL creado en el capítulo anterior usando el siguiente código:

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

print(pred) 
print(label)

Aquí,

Line 1 Llame a la función de predicción utilizando datos de prueba.
Line 2 obtiene las cinco primeras predicciones
Line 3 obtiene las primeras cinco etiquetas de los datos de prueba.
Line 5 - 6 imprime la predicción y la etiqueta real.

El resultado de la aplicación anterior es el siguiente:

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

La salida de ambas matrices es idéntica e indica que nuestro modelo predice correctamente las primeras cinco imágenes.