Keras，模型predict_proba的输出

Question

在文档中，predict_proba(self, x, batch_size=32, verbose=1)方法会批量生成输入样本的分类概率预测结果。该方法的输出为一个Numpy数组，表示每个样本属于不同类别的概率。
假设我的模型是二元分类模型，那么输出是[a, b]，其中 a 是class_0的概率，b 是class_1的概率，对吗？

- GoingMyWay

Answer 1

这里的情况与其他情况有所不同, 且有些具有误导性，尤其是当您将 predict_proba 方法与名字相同的 sklearn 方法进行比较时。在Keras中（而不是sklearn包装器），predict_proba方法与predict方法完全相同。 您甚至可以在此处进行验证：

def predict_proba(self, x, batch_size=32, verbose=1):
        """Generates class probability predictions for the input samples
        batch by batch.
        # Arguments
            x: input data, as a Numpy array or list of Numpy arrays
                (if the model has multiple inputs).
            batch_size: integer.
            verbose: verbosity mode, 0 or 1.
        # Returns
            A Numpy array of probability predictions.
        """
        preds = self.predict(x, batch_size, verbose)
        if preds.min() < 0. or preds.max() > 1.:
            warnings.warn('Network returning invalid probability values. '
                          'The last layer might not normalize predictions '
                          'into probabilities '
                          '(like softmax or sigmoid would).')
        return preds

因此，在二元分类的情况下，您获得的输出取决于网络的设计：

• 如果您的网络的最终输出是通过单个sigmoid输出获得的，则predict_proba的输出仅是分配给类1的概率。
• 如果您的网络的最终输出是通过二维输出获得的，并且您正在应用softmax函数，则predict_proba的输出是一对[a，b]，其中a = P(class(x) = 0)和b = P(class(x) = 1)。

这第二种方法很少使用，并且使用第一种方法有一些理论上的优势，但我想通知您-以防万一。

- Marcin Możejko

---

答案已经过时。 - Martin Thoma

Answer 2

这取决于您如何指定模型输出和目标。它可以是两者。通常，在进行二元分类时，输出是一个单一值，即正预测的概率。1减去输出是负预测的概率。

- Sergii Gryshkevych