我正在尝试使用TensorFlow 2.0 + Keras构建一个二分类模型。每个目标有5个特征，我希望这个模型能够预测输入数据是否属于a类。
然而，fit()和predict()之间的准确率完全不同。最奇怪的是，我将训练数据提供给模型进行预测，但模型并未返回1。
构建训练数据：（a的特征标记为1，其他标记为0）
num_train = 50data = { # the content is fake, just for understanding the format 'a': [(1, 2, 3, 4, 5), (2, 3, 4, 5, 6), ...], 'b': [(10, 20, 30, 40, 50), (20, 30, 40, 50, 60), ...], ...}train_x = []train_y = []for name, features in data.items(): for f in features[:num_train]: train_x.append(f) train_y.append(1 if name == 'a' else 0)train_x = np.array(train_x)train_y = np.array(train_y)以下是模型代码：
model = Sequential()model.add(Dense(1, activation='sigmoid', input_dim=5))model.compile(optimizer='sgd', loss='mse', metrics=['accuracy'])调用model.fit()：
model.fit(x=train_x, y=train_y, validation_split=0.2, batch_size=10, epochs=50)第50个epoch之后：
Epoch 50/50653/653 [==============================] - 0s 80us/sample - loss: 0.0745 - accuracy: 0.9234 - val_loss: 0.0192 - val_accuracy: 1.0000最后，我使用每个类别的前3个样本进行预测：
for name, features in data.items(): test_x = features[:3] print(name, np.around(model.predict(test_x), decimals=2))输出结果：
a [[0.14] [0.14] [0.14]]b [[0.14] [0.13] [0.13]]c [[0.14] [0.14] [0.13]]...完整的数据和源代码已上传到Google Drive，请查看链接。
回答：
在检查了您的源代码后，发现了一些实现问题：
- 训练数据和验证数据由Keras随机分配
在您的训练过程中，20%的数据被抽样作为验证数据，但您无法确定抽样的数据是否平衡（即训练和验证数据中的类别比例相同）。在您的案例中，由于数据不平衡，很可能是训练数据主要来自类别0，因此您的模型没有学到任何有用的东西（因此所有样本的输出都是相同的0.13）。
更好的方法是在训练前以分层方式拆分数据：
from sklearn.model_selection import train_test_splitnum_train = 50train_x = []train_y = []for name, features in data.items(): for f in features[:num_train]: train_x.append(f) train_y.append(1 if name == 'a' else 0)train_x = np.array(train_x)train_y = np.array(train_y)# Split your data, and stratify according to the target label `train_y`# Set a random_state, so that the train-test split is reproduciblex_train, x_test, y_train, y_test = train_test_split(train_x, train_y, test_size=0.2, stratify=train_y, random_state=123)在训练时，您应指定validation_data而不是使用validation_split：
model = Sequential()model.add(Dense(1, activation='sigmoid', input_dim=5))model.compile(optimizer='sgd', loss='binary_crossentropy', metrics=['accuracy'])model.fit(x=x_train, y=y_train, validation_data=(x_test, y_test), # Use this instead class_weight={0:1,1:17}, # See explanation in 2. Imbalanced class batch_size=10, epochs=500)
- 高度不平衡的类别 – 类别1的频率是类别0的17倍
您的类别1 a 的数量是类别0的17倍（由剩余的类别组成）。如果您不调整类别权重，模型会将所有样本视为平等，简单地将所有样本分类为类别0会让模型的准确率达到94.4%（剩余的5.6%全部来自类别1，并且都被这个简单的模型错误分类）。
为了解决类别不平衡问题，一种方法是为少数类别设置更高的损失。在这个例子中，我将类别1的权重设置为类别0的17倍：
class_weight={0:1,1:17}这样做，您是在告诉模型，每个错误预测的类别1样本会带来比错误分类类别0样本高17倍的惩罚。因此，模型被迫更加关注类别1，尽管它是少数类别。
- 未对原始预测结果应用阈值处理
训练后（请注意，我将epochs增加到500，模型在大约200个epoch后收敛），对您之前获得的测试集进行预测：
preds = model.predict(x_test)您会得到类似这样的结果：
[[0.33624142] [0.58196825] [0.5549609 ] [0.38138568] [0.45235538] [0.32419187] [0.37660158] [0.37013668] [0.5794893 ] [0.5611163 ] ......]这是神经网络的原始输出，范围在[0,1]之间，因为最后一层激活函数是sigmoid，将输出压缩到这个范围。为了将输出转换为您需要的类别预测（类别0或1），需要应用一个阈值。通常，这个阈值设置为0.5，即输出大于0.5的预测表示样本可能属于类别1，输出小于0.5的预测则表示属于类别0。
因此，您需要使用阈值处理输出：
threshold_output = np.where(preds > 0.5, 1, 0)您将得到实际的类别预测：
[[0] [1] [1] [0] [0] [0] [0] [0] [1] [1] ...]获取训练和测试准确率
现在，为了检查训练和测试准确率，您可以直接使用sklearn.metric，这省去了手动计算的麻烦：
from sklearn.metrics import accuracy_scoretrain_preds = np.where(model.predict(x_train) > 0.5, 1, 0)test_preds = np.where(model.predict(x_test) > 0.5, 1, 0)train_accuracy = accuracy_score(y_train, train_preds)test_accuracy = accuracy_score(y_test, test_preds)print(f'训练准确率 : {train_accuracy:.4f}')print(f'测试准确率 : {test_accuracy:.4f}')这将为您提供：
训练准确率 : 0.7443测试准确率 : 0.7073希望这能回答您的问题！
