这看起来很简单，但我正在寻找输出具有单一输出（二元分类模型）的模型预测结果的最佳方式。在这个例子中，我的标签是0和1。现在我可以简单地说，如果模型输出大于0.5，标签就是1。但我觉得这样做可能不够准确。因此，我想知道是否有更好的方法，比如
prediction = np.argmax(y_hat.detach().numpy, axis=0) for multiple classes. 目前我正在进行这样的测试：
test = [[0,0],[0,1],[1,1],[1,0]]for trial in test: Xtest = torch.Tensor(trial) y_hat = logreg_clf(Xtest) if y_hat > 0.5: prediction = 1 else: prediction = 0 # prediction = np.argmax(y_hat.detach().numpy, axis=0) print("{0} xor {1} = {2}".format(int(Xtest[0]), int(Xtest[1]), prediction))我也想知道是否有函数可以自动获取测试集’test’的准确率或混淆矩阵。
供参考，我的模型如下：
import torch.nn as nnimport torch.nn.functional as Fclass LogisticRegression(nn.Module): # input_size: 输入特征向量的维度。 # num_classes: 分类问题中的类别数。 def __init__(self, input_size, num_classes): # 总是先调用超类（nn.Module）的构造函数！ super(LogisticRegression, self).__init__() # 设置线性变换 self.linear = nn.Linear(input_size, num_classes) # 我暂时没有在线性层之后加入sigmoid激活函数，因为我们的损失函数将包含这一部分，如后所述 # forward的唯一参数是输入。 # 输入的形状为（batch_size, input_size） def forward(self, x): # 应用线性变换。 # 输出的形状为（batch_size, num_classes）。 out = self.linear(x) out = F.sigmoid(out) # 对out张量进行softmax处理，得到每个示例的类别对数概率分布 return out# 二元分类num_outputs = 1num_input_features = 2# 创建逻辑回归模型logreg_clf = LogisticRegression(num_input_features, num_outputs)print(logreg_clf)import torch lr_rate = 0.001 # alpha# 输入X和标签Y的训练集X = torch.Tensor([[0,0],[0,1], [1,0], [1,1]])Y = torch.Tensor([0,1,1,0]).view(-1,1) #view类似于numpy的reshape()，这里将其变成列# 运行逻辑回归模型的前向传递sample_output = logreg_clf(X) #目前完全随机print(X)loss_function = nn.BCELoss() # SGD：随机梯度下降用于训练/拟合模型optimizer = torch.optim.SGD(logreg_clf.parameters(), lr=lr_rate)import numpy as np # from torch.autograd import Variable#训练循环：epochs = 2001 #我们遍历训练集的次数steps = X.size(0) #steps = 4；我们有4个训练示例（我知道，训练集很小:)for i in range(epochs): for j in range(steps): # 从训练集中随机抽样： data_point = np.random.randint(X.size(0)) # 将检索到的数据点存储到两个正确形状的单独变量中 x_var = torch.Tensor(X[data_point]).unsqueeze(0) y_var = torch.Tensor(Y[data_point]) optimizer.zero_grad() # 清空（零）梯度缓冲区 y_hat = logreg_clf(x_var) #从模型获取输出 print(y_hat) print(y_var) loss = loss_function(y_hat, y_var) #计算损失 loss.backward() #反向传播 optimizer.step() #执行更新 if i % 500 == 0: print ("Epoch: {0}, Loss: {1}, ".format(i, loss.data.numpy()))回答：
test_data = torch.Tensor(test)raw_preds = logreg_clf(test_data)preds = (raw_preds > 0.5).long()为了一次性获取所有测试数据的预测，我们首先将测试数据转换为张量，然后我们可以使用该张量进行前向传递。原始预测看起来像tensor([[0.4795], [0.4749], [0.4960], [0.5006]]。然后我们应用“风险中性策略”，即以0.5为阈值来获取结果（结果将是torch.bool类型，因此我们将其转换为long）。
等效地在一行中：
preds = (logreg_clf(torch.Tensor(test)) > 0.5).long() 所以预测结果是：
tensor([[0], [0], [0], [1]])想知道是否有函数可以自动获取准确率或混淆矩阵
你可以使用来自sklearn.metrics的相应函数：
from sklearn.metrics import accuracy_score, confusion_matrix# 给定测试数据的真实值truth = torch.Tensor([0, 1, 0, 1]).view(-1, 1) conf_mat = confusion_matrix(truth, preds)acc = accuracy_score(truth, preds)这将给出混淆矩阵为
array([[2, 0], [1, 1]], dtype=int64)以及准确率为
0.75所以你有一个假阴性，即测试数据中的第二个样本。
