鲁达 翻译：张逸
校对：冯羽
本文约2804字，建议阅读7分钟。
本文将教你如何使用Keras这个Python库完成深度学习模型的分类与回归预测。
当你在Keras中选择好最合适的深度学习模型，就可以用它在新的数据实例上做预测了。但是很多初学者不知道该怎样做好这一点，我经常能看到下面这样的问题：
“我应该如何用Keras对我的模型作出预测？”
在本文中，你会学到如何使用Keras这个Python库完成深度学习模型的分类与回归预测。
看完这篇教程，你能掌握以下几点：
- 如何确定一个模型，为后续的预测做准备
- 如何用Keras对分类问题进行类及其概率的预测
- 如何用Keras进行回归预测
现在就让我们开始吧
本文结构
教程共分为三个部分，分别是：
- 模型确定
- 分类预测
- 回归预测
模型确定
在做预测之前，首先得训练出一个最终的模型。你可能选择k折交叉验证或者简单划分训练/测试集的方法来训练模型，这样做的目的是为了合理估计模型在样本集之外数据上的表现（新数据）
当评估完成，这些模型存在的目的也达到了，就可以丢弃他们。接下来，你得用所有的可用数据训练出一个最终的模型。关于这方面的内容，你可以在下面这个文章中得到更多的信息：
分类预测
对于分类问题，模型学习的是一个输入特征到输出特征之间的映射，这里的输出即为一个标签。比如“垃圾邮件”和“非垃圾邮件”
下边是Keras中为简单的二分类问题开发的神经网络模型的一个例子。如果说你以前没有接触过用Keras开发神经网络模型的话，不妨先看看下边这篇文章：
# 训练一个最终分类的模型
from keras.models import Sequential
from keras.layers import Dense
from import make_blobs
from import MinMaxScaler
# 生成一个二分类问题的数据集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
(X)
X = (X)
# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=200, verbose=0)
建立好这个模型后，可能需要将它保存到文件中（比如通过Keras的相关API）。以后你就可以随时加载这个模型，并用它进行预测了。有关这方面的示例，可以参考下边的文章：
为了本文的结构更简洁，我们的例子中省去了这个步骤。
继续说回到分类预测的问题。我们希望最终得到的模型能进行两种预测：一是判断出类别，二是给出属于相应类别概率。
- 类预测
一个类别预测会给定最终的模型以及若干数据实例，我们利用模型来判断这些实例的类别。对于新数据，我们不知道输出的是什么结果，这就是为什么首先需要一个模型。
在Keras中，可以利用predict_class()函数来完成我们上述所说的内容----即利用最终的模型预测新数据样本的类别。
需要注意的是，这个函数仅适用于Sequential模型，不适于使用功能式API开发的模型。（not those models developed using the functional API.）
比如，我们在名为Xnew的数组中有若干个数据实例，它被传入predict_classes()函数中，用来对这些数据样本的类别进行预测。
Xnew = [[...], [...]]
ynew = model.predict_classes(Xnew)
让我们用一个更具体的例子来说明：
# 建立一个新的分类模型
from keras.models import Sequential
from keras.layers import Dense
from import make_blobs
from import MinMaxScaler
# 生成二分类数据集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
(X)
X = (X)
# 定义并拟合最终模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)
# 新的未知数据实例
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
Xnew = (Xnew)
# 作出预测
ynew = model.predict_classes(Xnew)
# 显示输入和输出
for i in range(len(Xnew)):
print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
下面是对三个实例预测的结果，我们将数据和预测结果一并输出：
X=[0.89337759 0.65864154], Predicted=[0]
X=[0.29097707 0.12978982], Predicted=[1]
X=[0.78082614 0.75391697], predicted=[0]
如果你只有一个新的实例，那就需要将它包装一下，变成一个数组的形式。以便传给predict_classes()函数，比如这样：
from keras.models import Sequential
from keras.layers import Dense
from import make_blobs
from import MinMaxScaler
from numpy import array
# 生成一个二分类数据集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
(X)
X = (X)
# 定义并拟合最终的新模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)
# 未知的新实例
Xnew = array([[0.89337759, 0.65864154]])
# 作出预测
ynew = model.predict_classes(Xnew)
# 显示输入输出
print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
运行上边这个例子，会得到对这个单独实例的预测结果
X=[0.89337759 0.65864154], Predicted=[0]
- 关于类别标签的注意事项
准备数据时，应该将其中的类别标签转换为整数表示（比如原始数据类别可能是一个字符串），这时候你就可能会用到sklearn中的LabelEncoder。
http://scikitlearn.org/stable/modules/generated/.LabelEncoder.html#.LabelEncoder
当然，在我们使用LabelEcoder中的函数inverse_transform()时，还可以将那些整数表示的类别标签转换回去。
因为这个原因，在拟合最终模型时，你可能想要保存用于编码y值的LabelEncoder结果。
概率预测
另外一种是对数据实例属于某一类的可能性进行预测。它被称为“概率预测”，当给定一个新的实例，模型返回该实例属于每一类的概率值。（0-1之间）
在Keras中，我们可以调用predict_proba()函数来实现。举个例子：
Xnew = [[...], [...]]
ynew = model.predict_proba(Xnew)
在二分类问题下，Sigmoid激活函数常被用在输出层，预测概率是数据对象属于类别1的可能性，或者属于类别0的可能性（1-概率）
在多分类问题下，则是softmax激活函数常被用在输出层。数据对象属于每一个类别的概率作为一个向量返回。
下边的例子对Xnew数据数组中的每个样本进行概率预测。
from keras.models import Sequential
from keras.layers import Dense
from import make_blobs
from import MinMaxScaler
# 生成二分类数据集
X, y = make_blobs(n_samples=100, centers=2, n_features=2, random_state=1)
scalar = MinMaxScaler()
(X)
X = (X)
# 定义并拟合出最终模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, epochs=500, verbose=0)
# 新的未知数据
Xnew, _ = make_blobs(n_samples=3, centers=2, n_features=2, random_state=1)
Xnew = (Xnew)
# 做预测
ynew = model.predict_proba(Xnew)
# 显示输入输出
for i in range(len(Xnew)):
print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
我们运行这个实例，并将输入数据及这些实例属于类别1的概率打印出来：
X=[0.89337759 0.65864154], Predicted=[0.0087348]
X=[0.29097707 0.12978982], Predicted=[0.82020265]
X=[0.78082614 0.75391697], Predicted=[0.00693122]
回归预测
回归预测是一个监督学习问题，该模型学习一个给定输入样本到输出数值的映射。比如会输出0.1或0.2这样的数字。
下边是一个Keras回归的模型。
# 训练一个回归模型的例子
from keras.models import Sequential
from keras.layers import Dense
from import make_regression
from import MinMaxScaler
# 生成回归数据集
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
(X)
(100,1))
X = (X)
y = (100,1))
# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)
我们可以在最终的模型中调用predict()函数进行数值的预测。该函数以若干个实例组成的数组作为输入参数。
下面的例子演示了如何对未知的多个数据实例进行回归预测。
from keras.models import Sequential
from keras.layers import Dense
from import make_regression
from import MinMaxScaler
# 生成回归数据集
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
(X)
(100,1))
X = (X)
y = (100,1))
# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)
# 未知的新数据
Xnew, a = make_regression(n_samples=3, n_features=2, noise=0.1, random_state=1)
Xnew = (Xnew)
# 作出预测
ynew = model.predict(Xnew)
# 显示输入输出
for i in range(len(Xnew)):
print("X=%s, Predicted=%s" % (Xnew[i], ynew[i]))
运行上面那个多分类预测实例，然后将输入和预测结果并排打印，进行对比。
X=[0.29466096 0.30317302], Predicted=[0.17097184]
X=[0.39445118 0.79390858], Predicted=[0.7475489]
X=[0.02884127 0.6208843 ], Predicted=[0.43370453]
同样的，这个函数可以用于单独实例的预测，前提是它们包装成适当的格式。
举例说明：
from keras.models import Sequential
from keras.layers import Dense
from import make_regression
from import MinMaxScaler
from numpy import array
# 生成回归数据集
X, y = make_regression(n_samples=100, n_features=2, noise=0.1, random_state=1)
scalarX, scalarY = MinMaxScaler(), MinMaxScaler()
(X)
(100,1))
X = (X)
y = (100,1))
# 定义并拟合模型
model = Sequential()
model.add(Dense(4, input_dim=2, activation='relu'))
model.add(Dense(4, activation='relu'))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
model.fit(X, y, epochs=1000, verbose=0)
# 新的数据
Xnew = array([[0.29466096, 0.30317302]])
# 作出预测
ynew = model.predict(Xnew)
# 显示输入输出
print("X=%s, Predicted=%s" % (Xnew[0], ynew[0]))
运行实例并打印出结果：
X=[0.29466096 0.30317302], Predicted=[0.17333156]
延伸阅读
这部分提供了一些相关的资料，如果你想更深入学习的话可以看一看。
How to Train a Final Machine Learning Model：
Save and Load Your Keras Deep Learning Models：
Develop Your First Neural Network in Python With Keras Step-By-Step：
The 5 Step Life-Cycle for Long Short-Term Memory Models in Keras：
How to Make Predictions with Long Short-Term Memory Models in Keras：
总结：
在本教程中，你知道了如何使用Keras库通过最终的深度学习模型进行分类和回归预测。
具体来说，你了解到：
- 如何确定一个模型，为后续的预测做准备
- 如何用Keras对分类问题进行类及其概率的预测
- 如何用Keras进行回归预测
对本文的内容有什么问题吗？在下面的评论中提出来，我将尽我所能来回答。
原文链接：
译者简介
张逸，中国传媒大学大三在读，主修数字媒体技术。对数据科学充满好奇，感慨于它创造出来的新世界。目前正在摸索和学习中，希望自己勇敢又热烈，学最有意思的知识，交最志同道合的朋友。