解释 keras 模型预测的输出

Posted 2023-02-16

【中文标题】解释 keras 模型预测的输出

【英文标题】：interpretting output from keras model predict

【发布时间】：2021-12-18 13:15:27

【问题描述】：

我找到的任何关于解释输出的教程或示例总是关于 keras model.predict 分类。即答案是从 0 到 1，表示属于 1 个类别或其他类别的概率。

我传递的数据量非常小

time_list = [1296000.0, 19350000.0, 29635200.0, 48294000.0, 45961200.0]
tax_list = [0.1, 0.25, 0.3, 0.35, 0.6]
price_list = [0.05, 0.1, 0.5, 0.0, 1.0]

然后最终得到这个输出

 [[-0.34306246] ## prediction output 
 [-0.34306246]
 [-0.34306246]
 [-0.34306246]
 [-0.34306246]]

这是对未来价格的预测还是分类尝试？我怎么能说出来？两者似乎都不合理。

完整的源代码

import numpy as np
import tensorflow as tf
from keras.models import Sequential
from keras.layers import Dense, LSTM
from sklearn.preprocessing import MinMaxScaler
tf.random.set_seed(0)
# sample data
time_list = [1296000.0, 19350000.0, 29635200.0, 48294000.0, 45961200.0]
tax_list = [0.1, 0.25, 0.3, 0.35, 0.6]
price_list = [0.05, 0.1, 0.5, 0.0, 0.1]
# generate the feature matrix
X = np.hstack([np.array(time_list).reshape(- 1, 1), np.array(tax_list).reshape(- 1, 1)])
print(X.shape)
# (5, 2)
# generate the target array
Y = np.array(price_list)
print(Y.shape)
# (5,)
# reshape the features
X = X.reshape(X.shape[0], 1, X.shape[1])
print(X.shape)
# (5, 1, 2)
# define the model
model = Sequential()
model.add(LSTM(10, return_sequences=False, input_shape=( 1 , len(X[0][0]))))
model.add(Dense(1))
# compile the model
model.compile(optimizer='adam', loss='mse')
# fit the model
model.fit(X, Y, batch_size=1, epochs=10)
# generate the model predictions
pred = model.predict(X)
print(pred)

我怀疑诚实的答案可能是“对此的正确解释是您从某个数字开始，计算机添加了更多数字，而现在您只是获得了新数字。”但至少目的是什么？是在尝试将事物组织到类中，或者在不同的日子预测新价格还是其他什么？

这让我很困惑，因为我没有为模型提供要考虑的类别，也没有提供未来的日期来预测，所以它可能是什么？

【问题讨论】：

您的模型配置为进行回归，因此它只是近似于您训练时使用的任何标签。

所以用莱曼术语来说你是说它试图做一个“最合适的线”来预测未来的价格和税收？但它会预测什么日期？

您一直在询问“日期”，我们对此一无所知，这取决于您的标签对应于哪个“日期”。该模型没有做任何魔术，它完全按照您训练它的目的进行。

抱歉，time_list 是日期列表。所以如果它“近似”我的特征，我们是说它以某种方式取了我的特征的平均值吗？

不，我说的是 Y，模型没有对特征进行平均。

【参考方案1】：

首先，价格（您的目标）并不意味着您对分类任务感兴趣。为了设置正确的分类任务，您需要提供 0-1 个标签（假设是二进制分类），并且通常您会在输出层中添加一个 softmax 函数。 Softmax 将输出转换为概率估计。因此，假设您将 A 类的价格值转换为 0，B 类转换为 1，您将使用 softmax 输出函数训练您的模型并获得这些分数估计值。 Here's how dense layer works.使用'activation' = 'softmax'

另外，每次输入都得到相同数字的原因是因为所谓的日期值非常难以处理。由于许多原因，NN 喜欢 0 左右的输入，并且默认的 tensorflow 权重在您的输入中遇到了困难。考虑缩放它using this or any other scaler.