我正在建立一个CNN，以便对Keras进行情感分析。一切工作正常，模型已经过培训，可以投入生产。
但是，当我尝试使用该方法对新的未标记数据进行预测时，model.predict()它仅输出关联的概率。我尝试使用该方法，np.argmax()但即使应为1，它也始终输出0（在测试集上，我的模型达到了80％的精度）。
这是我的数据预处理代码：
# Pre-processing data
x = df[df.Sentiment != 3].Headlines
y = df[df.Sentiment != 3].Sentiment
# Splitting training, validation, testing dataset
x_train, x_validation_and_test, y_train, y_validation_and_test = train_test_split(x, y, test_size=.3,
random_state=SEED)
x_validation, x_test, y_validation, y_test = train_test_split(x_validation_and_test, y_validation_and_test,
test_size=.5, random_state=SEED)
tokenizer = Tokenizer(num_words=NUM_WORDS)
tokenizer.fit_on_texts(x_train)
sequences = tokenizer.texts_to_sequences(x_train)
x_train_seq = pad_sequences(sequences, maxlen=MAXLEN)
sequences_val = tokenizer.texts_to_sequences(x_validation)
x_val_seq = pad_sequences(sequences_val, maxlen=MAXLEN)
sequences_test = tokenizer.texts_to_sequences(x_test)
x_test_seq = pad_sequences(sequences_test, maxlen=MAXLEN)
这是我的模型：
MAXLEN = 25
NUM_WORDS = 5000
VECTOR_DIMENSION = 100
tweet_input = Input(shape=(MAXLEN,), dtype='int32')
tweet_encoder = Embedding(NUM_WORDS, VECTOR_DIMENSION, input_length=MAXLEN)(tweet_input)
# Combinating n-gram to optimize results
bigram_branch = Conv1D(filters=100, kernel_size=2, padding='valid', activation="relu", strides=1)(tweet_encoder)
bigram_branch = GlobalMaxPooling1D()(bigram_branch)
trigram_branch = Conv1D(filters=100, kernel_size=3, padding='valid', activation="relu", strides=1)(tweet_encoder)
trigram_branch = GlobalMaxPooling1D()(trigram_branch)
fourgram_branch = Conv1D(filters=100, kernel_size=4, padding='valid', activation="relu", strides=1)(tweet_encoder)
fourgram_branch = GlobalMaxPooling1D()(fourgram_branch)
merged = concatenate([bigram_branch, trigram_branch, fourgram_branch], axis=1)
merged = Dense(256, activation="relu")(merged)
merged = Dropout(0.25)(merged)
output = Dense(1, activation="sigmoid")(merged)
optimizer = optimizers.adam(0.01)
model = Model(inputs=[tweet_input], outputs=[output])
model.compile(loss="binary_crossentropy", optimizer=optimizer, metrics=['accuracy'])
model.summary()
# Training the model
history = model.fit(x_train_seq, y_train, batch_size=32, epochs=5, validation_data=(x_val_seq, y_validation))
我还尝试将最后一个Dense层上的激活次数从1更改为2，但出现错误：
Error when checking target: expected dense_12 to have shape (2,) but got array with shape (1,)
您正在执行二进制分类。因此，您拥有一个包含一个激活功能为的单元的密集层sigmoid。乙状结肠功能输出范围为[0,1]的值，该值对应于给定样本属于肯定类别（即第一类别）的概率。低于0.5的所有内容都标记为零（即否定类别），高于0.5的所有内容都标记为1。因此，要查找预测的类，您可以执行以下操作：
preds = model.predict(data)
class_one = preds > 0.5
的真实元素class_one对应于标有1（即阳性类别）的样品。
奖励：要找到预测的准确性，您可以轻松地class_one与真实标签进行比较：
acc = np.mean(class_one == true_labels)
请注意，我假设它true_labels由零和一组成。
此外，如果您的模型是使用Sequential类定义的，则可以轻松使用predict_classesmethod：
pred_labels = model.predict_classes(data)
但是，由于您正在使用Keras功能API来构建模型（在我看来，这样做非常好），因此无法使用predict_classes方法，因为该方法对于此类模型定义不明确。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句