3DCNN模型预测后获取测试集视频实际标签及关联结果的实现

核心问题原因 #

train_test_split 默认仅对特征数组X和标签数组y进行拆分，不会自动保留文件名这类元数据，导致拆分后特征与文件名的关联丢失。

解决方案步骤 #

1. 提前绑定元数据与特征、标签 #

在拆分前，将视频文件名、提取的特征、真实标签打包成统一数据集（推荐用Pandas DataFrame，便于管理）：

import pandas as pd
import numpy as np

# 假设你已经有以下数据：
# X: 所有视频提取的3DCNN特征列表（每个元素是形状为(frames, h, w, c)的数组）
# y: 对应视频的真实标签数组
# file_names: 对应视频的文件名列表（如["jump_001.mp4", "kick_005.mp4"...]）

# 打包成DataFrame
dataset_df = pd.DataFrame({
    "features": X,
    "true_label": y,
    "file_name": file_names
})

2. 拆分带元数据的数据集 #

用train_test_split直接拆分整个DataFrame，确保文件名与特征、标签的关联不丢失：

from sklearn.model_selection import train_test_split

# 按8:2拆分训练集和测试集，stratify保证类别分布一致
train_df, test_df = train_test_split(
    dataset_df,
    test_size=0.2,
    stratify=dataset_df["true_label"],
    random_state=42  # 固定随机种子保证可复现
)

3. 执行模型预测并提取结果 #

从测试集DataFrame中提取特征、标签和文件名，执行预测后获取预测类别与分数：

# 将特征列表转换为模型可接受的numpy数组
X_test = np.stack(test_df["features"].values)
y_test = test_df["true_label"].values
test_file_names = test_df["file_name"].values

# 模型预测
pred_probs = model.predict(X_test)
# 取概率最大的类别作为预测标签
pred_labels = np.argmax(pred_probs, axis=1)
# 取最大概率值作为预测分数
pred_scores = np.max(pred_probs, axis=1)

4. 生成结果表格 #

将所有结果整合为DataFrame，直接打印或保存为文件：

# 生成结果表格
result_df = pd.DataFrame({
    "视频文件名": test_file_names,
    "真实类别": y_test,
    "预测类别": pred_labels,
    "预测分数": pred_scores.round(4)  # 保留4位小数更美观
})

# 打印结果
print(result_df)

# 保存为CSV文件（方便后续分析）
result_df.to_csv("动作识别测试结果.csv", index=False, encoding="utf-8-sig")

补救方案：已拆分X和y的情况 #

如果已经拆分了X_val_test和y_val_test，且拆分时用了固定random_state，可以用相同参数拆分文件名列表，直接关联：

# 用和之前拆分X、y完全相同的参数拆分文件名列表
_, _, _, _, _, test_file_names = train_test_split(
    X, y, file_names,
    test_size=0.2,
    stratify=y,
    random_state=42
)

之后再按步骤3、4生成结果表格即可。

注意事项 #

• 确保X、y、file_names三个数组的长度完全一致，否则会出现索引不匹配的问题。
• 如果是实时从视频文件提取特征，建议在提取阶段就记录文件名，避免后续手动对应出错。

内容的提问来源于stack exchange，提问作者MatPar