Keras - การประเมินแบบจำลองและการทำนายแบบจำลอง

บทนี้เกี่ยวข้องกับการประเมินแบบจำลองและการทำนายแบบจำลองใน Keras

ให้เราเริ่มต้นด้วยการทำความเข้าใจการประเมินแบบจำลอง

การประเมินแบบจำลอง

การประเมินผลเป็นกระบวนการระหว่างการพัฒนาแบบจำลองเพื่อตรวจสอบว่าแบบจำลองเหมาะสมที่สุดสำหรับปัญหาที่กำหนดและข้อมูลที่เกี่ยวข้องหรือไม่ Keras model จัดเตรียมฟังก์ชันประเมินซึ่งทำการประเมินโมเดล มีข้อโต้แย้งหลักสามข้อ

• ข้อมูลการทดสอบ
• ป้ายกำกับข้อมูลทดสอบ
• verbose - จริงหรือเท็จ

ให้เราประเมินแบบจำลองซึ่งเราสร้างขึ้นในบทก่อนหน้าโดยใช้ข้อมูลการทดสอบ

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

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

การดำเนินการโค้ดด้านบนจะแสดงข้อมูลด้านล่าง

0

ความแม่นยำในการทดสอบคือ 98.28% เราได้สร้างแบบจำลองที่ดีที่สุดเพื่อระบุตัวเลขด้วยลายมือ ในด้านบวกเรายังสามารถกำหนดขอบเขตเพื่อปรับปรุงโมเดลของเราได้

การทำนายแบบจำลอง

Predictionเป็นขั้นตอนสุดท้ายและผลที่คาดว่าจะได้รับจากการสร้างโมเดล Keras ให้วิธีการทำนายเพื่อรับคำทำนายของแบบจำลองที่ได้รับการฝึกฝน ลายเซ็นของวิธีการทำนายมีดังนี้

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

ในที่นี้อาร์กิวเมนต์ทั้งหมดเป็นทางเลือกยกเว้นอาร์กิวเมนต์แรกซึ่งอ้างถึงข้อมูลอินพุตที่ไม่รู้จัก ควรรักษารูปร่างเพื่อให้ได้คำทำนายที่เหมาะสม

ให้เราทำการทำนายสำหรับโมเดล MPL ของเราที่สร้างขึ้นในบทก่อนหน้าโดยใช้โค้ดด้านล่าง -

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

print(pred) 
print(label)

ที่นี่

• Line 1 เรียกใช้ฟังก์ชันทำนายโดยใช้ข้อมูลการทดสอบ

• Line 2 ได้รับคำทำนายห้าครั้งแรก

• Line 3 รับห้าป้ายแรกของข้อมูลการทดสอบ

• Line 5 - 6 พิมพ์คำทำนายและฉลากจริง

ผลลัพธ์ของแอปพลิเคชั่นข้างต้นมีดังนี้ -

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

ผลลัพธ์ของอาร์เรย์ทั้งสองเหมือนกันและบ่งชี้ว่าแบบจำลองของเราคาดการณ์ภาพห้าภาพแรกได้อย่างถูกต้อง