如何在R/RStudio中从Keras模型提取训练模型并生成混淆矩阵？

核心说明 #

history对象仅记录训练过程的指标变化（如损失、精度），不存储训练后的模型权重。你当前使用predict(mymodel, mytestdataset)是完全合理的——因为fit()方法会直接将训练得到的权重更新到mymodel对象中，无需从history里提取模型。

生成混淆矩阵的完整步骤 #

1. 将预测概率转换为类别标签

由于你的模型用sigmoid输出0-1的概率，需要设定阈值（通常用0.5）转为二分类标签：

# 以0.5为阈值，将概率转为0/1类别
pred_classes <- ifelse(predictions > 0.5, 1, 0)

2. 获取测试集的真实标签

根据你的测试集结构提取真实标签，比如：

# 假设测试集标签存储在mytestdataset$y中，根据实际情况调整
true_classes <- mytestdataset$y

3. 生成混淆矩阵

推荐使用caret包生成带详细指标的混淆矩阵，也可以用base R的table()快速生成：

方法一：用caret包（含精确率、召回率等指标）

# 安装并加载caret（首次使用需安装）
install.packages("caret")
library(caret)

# 生成混淆矩阵
cm <- confusionMatrix(as.factor(pred_classes), as.factor(true_classes))
# 打印完整结果（含真阳性、真阴性、精确率等）
print(cm)

方法二：用base R的table()

# 生成基础混淆矩阵表格
cm_table <- table(预测类别 = pred_classes, 真实类别 = true_classes)
print(cm_table)

额外：使用训练过程中保存的最优模型 #

你设置了callback_model_checkpoint保存最优模型到convnet.tf，如果想使用这个最优模型而非最后一轮训练的模型，可以加载它：

# 加载最优模型
best_model <- load_model_tf("convnet.tf")
# 用最优模型预测
predictions_best <- predict(best_model, mytestdataset)
# 后续步骤同前：转标签、生成混淆矩阵

内容的提问来源于stack exchange，提问作者zappbran