AttributeError：“功能”对象没有属性“predict_proba”

Posted 2023-03-12

【中文标题】AttributeError：“功能”对象没有属性“predict_proba”

【英文标题】：AttributeError: 'Functional' object has no attribute 'predict_proba'

【发布时间】：2020-12-18 07:34:33

【问题描述】：

为了打印具有多个模型的 ROC 曲线，我遇到了这个特殊错误。需要帮助

from tensorflow.keras.models import load_model
    def dense():
      return (load_model('DenseNet201.h5'))
    def mobile():
      return(load_model('MobileNet.h5'))
    def res():
      return(load_model('ResNet50V2.h5'))
    def vgg():
      return(load_model('VGG16.h5'))
    models = [
    
        'label': 'DenseNet201',
        'model': dense(),
    ,
    
        'label': 'MobileNet',
        'model':mobile(),
    ,
    
        'label': 'ResNet50V2',
        'model':res(),
    ,
    
        'label': 'VGG16',
        'model':vgg(),
    ]
    from sklearn import metrics
    import matplotlib.pyplot as plt
    from tensorflow.keras.utils import to_categorical
    plt.figure()
    
    # Below for loop iterates through your models list
    for m in models:
        model = m['model'] # select the model
        #model.fit(X_train, y_train) # train the model
        y_pred=model.predict(X_test) # predict the test data
    # Compute False postive rate, and True positive rate
        #fpr, tpr, thresholds = metrics.roc_curve(y_test, model.y_pred_bin(X_test)[:,1])
        fpr, tpr, thresholds = metrics.roc_curve(y_test, model.predict_proba(X_test)[:,1])
    # Calculate Area under the curve to display on the plot
        auc = metrics.roc_auc_score(y_test,model.predict(X_test))
    # Now, plot the computed values
        plt.plot(fpr, tpr, label='%s ROC (area = %0.2f)' % (m['label'], auc))
    # Custom settings for the plot 
    plt.plot([0, 1], [0, 1],'r--')
    plt.xlim([0.0, 1.0])
    plt.ylim([0.0, 1.05])
    plt.xlabel('1-Specificity(False Positive Rate)')
    plt.ylabel('Sensitivity(True Positive Rate)')
    plt.title('Receiver Operating Characteristic')
    plt.legend(loc="lower right")
    plt.show()   # Display

我在一个函数中加载了我的预训练模型并使用此代码返回它。我创建了一个列表，它将被迭代，它会调用加载这些模型的函数，因此将绘制每个模型的 ROC 曲线。

完整的追溯

> AttributeError                            Traceback (most recent call
> last) <ipython-input-43-f353a6208636> in <module>()
>      11 # Compute False postive rate, and True positive rate
>      12     #fpr, tpr, thresholds = metrics.roc_curve(y_test, model.y_pred_bin(X_test)[:,1])
> ---> 13     pred_prob = model.predict_proba(X_test)
>      14     fpr, tpr, thresholds = metrics.roc_curve(y_test, pred_prob[:,1])
>      15 # Calculate Area under the curve to display on the plot
> 
> AttributeError: 'Functional' object has no attribute 'predict_proba'

【问题讨论】：

能否包含完整的回溯？

predict_proba 仅适用于某些类型的模型...很可能您的列表中有一个模型不支持该方法...您可以找出导致错误的模型与try:model.predict_proba(X_test)except:print(model_name)

请看一看。我用完整的回溯更新了代码

【参考方案1】：

你可以改用这个 -

model.predict_on_batch(X_test)

请注意，roc_curve 或 f1_score 仅采用单值输出。像 [[1],[0],....[1]]

在我的情况下，我已将其转换为分类，例如 [[0,1] , [1,0] , ... , [0,1]] ，并在我的输出中使用了 softmax

所以 model.predict_on_batch(X_test) 也给出了输出 likr [[0.3,0.7] , [0.9,0.1] ...[0.2,0.8]]

所以我必须将其转换为单值输出，然后通过 sklearn 的 roc_curve 或 f1_score 使用以下函数：

  def y_(y):
    r = []  
    for i in y:
      if i[0] > 0.5:
        r.append([0])
      else:
        r.append([1])
    return np.array(r)