如何正确获取深度学习模型的二分类预测？解决numpy数组布尔值判断歧义错误

这个问题我太熟悉了——刚接触Keras/TensorFlow模型输出时，很容易踩这个坑！

错误原因 #

model.predict(X_val_prep)返回的是二维NumPy数组（形状一般是(样本数量, 1)，对应二分类任务中每个样本的正类概率）。你写的列表推导式里，x其实是每个样本对应的单元素数组（比如array([0.6])），直接用x > 0.5会得到一个布尔数组，Python无法直接判断这种数组的“真值”，所以抛出了The truth value of an array with more than one element is ambiguous的错误。

两种靠谱的改写方法 #

方法1：用NumPy向量化操作（推荐，效率更高）

NumPy天生适合批量处理数组，直接对整个预测结果做元素级判断，再转成整数：

predictions = model.predict(X_val_prep)
predictions = (predictions > 0.5).astype(int)

• predictions > 0.5会生成和原数组形状一致的布尔数组（每个元素是True/False）
• astype(int)把True转为1，False转为0，完美得到你想要的二分类标签。

方法2：修改列表推导式，取出数组元素

如果你坚持用列表推导式，只需要把每个样本的概率值从数组里取出来（用索引[0]）：

predictions = model.predict(X_val_prep)
predictions = [1 if x[0] > 0.5 else 0 for x in predictions]

这里的x[0]会把单元素数组里的概率值提取出来，变成单个浮点数，就能正常和0.5比较了。

额外提示（多分类场景） #

如果你的任务是多分类（模型输出形状是(样本数, 类别数)），想要取概率最大的类别标签，可以用np.argmax：

import numpy as np
predictions = model.predict(X_val_prep)
predictions = np.argmax(predictions, axis=1)

内容的提问来源于stack exchange，提问作者Abdullah Ibn Masood