神经网络训练后输入数据精度的预测

Question

问题的实质:我想用互联网上现成的例子来理解最简单的神经网络。我训练了它，然后我不明白如何在条件用户的输入数据上测试它的有效性。我在互联网上找到了模型的函数: predict()、save()、loaded_model()。如果结果是loaded_model()和16_model()，并且创建了文件夹'16_model‘，则会从created ()抛出错误。请告诉我如何使用它，或如何测试神经网络的输入，而不是测试数据。

import keras
from keras.models import Sequential
from keras.layers import Dense
import numpy

numpy.random.seed(2)

dataset = numpy.loadtxt("diabet.csv", delimiter=",")
X, Y = dataset[:,0:8], dataset[:,8]

model = Sequential()
model.add(Dense(12, input_dim=8, activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss="binary_crossentropy", optimizer="adam", metrics=['accuracy'])

model.fit(X, Y, epochs = 100, batch_size=10)

scores = model.evaluate(X, Y)
#model.save('16_model')
#model_loaded = keras.models.load_model('16_model')
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

Answer 1

您可以将数据集分为training和testing部分，如下所示，并使用这些training set对模型进行培训，使用test dataset对模型进行评估：

import pandas as pd
from sklearn.model_selection import train_test_split
dataset =pd.read_csv("/content/../diabetes.csv")#, delimiter=",")
dataset.head()
X = dataset.drop('Outcome', 1)
y = dataset['Outcome']
Y.shape

train_X, test_X, train_Y, test_Y=train_test_split(X,y, test_size=0.2)
train_X.shape

然后，在使用train dataset定义和训练模型之后，您可以使用test dataset对模型进行评估。

model_loss, model_acc = model.evaluate(test_X, test_Y)

print("Model Accuracy", model_acc*100)
model.save('16_model')
model_loaded = keras.models.load_model('16_model')

输出：

5/5 [==============================] - 0s 2ms/step - loss: 0.5637 - accuracy: 0.7208
Model Accuracy 72.07792401313782
INFO:tensorflow:Assets written to: 16_model/assets

现在，在保存和加载相同的模型后，对模型进行重新评估，显示出与以前保存模型相同的准确性。

model_loss, model_acc = model_loaded.evaluate(test_X, test_Y)

输出：

5/5 [==============================] - 0s 3ms/step - loss: 0.5637 - accuracy: 0.7208

这里是预测部分：

(这将显示由于用于二进制分类的sigmoid函数而在0到1范围内的所有值)

pred=model_loaded.predict(train_X[:2])
print(pred))

输出：

[[0.925119  ]
 [0.45006576]]

来自<0.5的所有值都在0类下，rest All将被假定为类1。

for p in pred:
    if p>=.5:
        pred_class=1
    else:
        pred_class=0
    print(pred_class)

输出：

1
0

您可以使用实际标签验证此预测：

train_Y[:2]

输出：

369    1
653    0
Name: Outcome, dtype: int64