我正在训练我的Keras模型，以预测根据提供的数据参数是否会射门，结果表示为0表示否，1表示是。然而，当我尝试预测时，我得到的是浮点数值。
我已经尝试使用与训练数据完全相同的数据来获取1，但这不起作用。
我使用以下数据尝试了一键编码。
https://github.com/eijaz1/Deep-Learning-in-Keras-Tutorial/blob/master/keras_tutorial.ipynb
我希望得到
[[0,1][1,0]]然而，我得到的是
[[0.8544417 0.14555828] [0.9312985 0.06870154]]另外，有人能解释一下这个值0.8544417是什么意思吗？
回答：
实际上，您可以将带有顶部softmax分类器的模型输出解释为类别的置信度得分或概率（因为softmax函数将值归一化为正值，且总和为1）。所以，当您为模型提供真实标签[1, 0]时，这意味着该样本以概率1属于类别1，而以概率0属于类别2。因此，在训练过程中，优化过程会尽可能接近该标签，但永远不会完全达到[1,0]（实际上，由于softmax，它可能接近[0.999999, 0.000001]，但永远不会是[1, 0]）。
但这不是问题，因为我们只需要足够接近，并知道概率最高的类别，并将其视为模型的预测。您可以通过查找概率最大类别的索引来轻松实现这一点：
此外，如果您出于任何原因想要将预测转换为[0,1]或[1,0]，您可以简单地对值进行四舍五入：
注意：四舍五入仅适用于两个类别的情况，当您有超过两个类别时（例如[0.3, 0.4, 0.3]），四舍五入后会变成[0, 0, 0]。
注意2：由于您使用的是Keras的Sequential API创建模型，因此作为上述argmax方法的替代方案，您可以直接使用model.predict_classes(some_data)，它会给出完全相同的输出。
