机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

272

｜

第

10

章

使用模型进行预测

接下来，我们可以使用模型的 predict() 方法对新实例进行预测。由于没有实际的新

实例，因此我们将仅使用测试集的前三个实例：

>>>

X_new = X_test[:3]

>>>

y_proba = model.predict(X_new)

>>>

y_proba.round(2)

array([[0. , 0. , 0. , 0. , 0. , 0.03, 0. , 0.01, 0. , 0.96],

[0. , 0. , 0.98, 0. , 0.02, 0. , 0. , 0. , 0. , 0. ],

[0. , 1. , 0. , 0. , 0. , 0. , 0. , 0. , 0. , 0. ]],

dtype=float32)

如你所见，对于每个实例，模型估计从 0 类到 9 类每个类的概率。例如，对于第一个图

像，模型估计是第 9 类（脚踝靴）的概率为 96％，第 5 类的概率（凉鞋）为 3％，第 7

类（运动鞋）的概率为 1％，其他类别的概率可忽略不计。换句话说，它“相信”第一

个图像是鞋类，最有可能是脚踝靴，但也可能是凉鞋或运动鞋。如果你只关心估计概率

最高的类（即使该概率非常低），则可以使用 pre dict_classes() 方法：

>>>

y_pred = model.predict_classes(X_new)

>>>

y_pred

array([9, 2, 1])

>>>

np.array(class_names)[y_pred] ...