已训练Keras模型，如何事后计算Precision与Recall？

仅靠已保存的模型文件和已记录的准确率数值，无法直接提取或计算Precision（精确率）和Recall（召回率）——因为准确率是整体分类正确样本的占比，而Precision和Recall依赖于模型预测结果与真实标签对应的混淆矩阵细节（真阳性、假阳性、假阴性等），这些信息并没有被单独记录在准确率或模型文件中。

可行的解决方法如下：

1. 加载模型，用测试/验证集重新计算 #

这是最直接且可靠的方式，步骤如下：

• 加载已保存的Keras模型：

  from tensorflow.keras.models import load_model
  model = load_model('your_saved_model.h5')  # 替换为你的模型保存路径
  

• 获取测试/验证集的真实标签与模型预测结果：
  针对二分类任务，需将模型输出的概率转换为类别标签：

  import numpy as np
  y_true = 你的真实标签数组  # 形状为(n_samples,)的0/1数组
  y_pred_probs = model.predict(X_test)
  y_pred = np.round(y_pred_probs).flatten()  # 概率转标签，阈值可按需调整
  

  针对多分类任务，取概率最大的类别：

  y_pred = np.argmax(model.predict(X_test), axis=1)
  

• 计算Precision和Recall：
  可使用Scikit-learn的指标函数，或Keras内置的指标类：

  # 方法1：Scikit-learn
  from sklearn.metrics import precision_score, recall_score
  precision = precision_score(y_true, y_pred, average='macro')  # 多分类可选macro/micro，二分类可省略average参数
  recall = recall_score(y_true, y_pred, average='macro')
  
  # 方法2：Keras内置指标
  from tensorflow.keras.metrics import Precision, Recall
  precision_metric = Precision()
  recall_metric = Recall()
  precision_metric.update_state(y_true, y_pred)
  recall_metric.update_state(y_true, y_pred)
  precision = precision_metric.result().numpy()
  recall = recall_metric.result().numpy()
  

2. 若未保留测试/验证集的处理方式 #

如果没有留存对应的数据集及真实标签，无法计算Precision和Recall——因为这两个指标的核心是模型预测结果与真实标签的对比。此时只能：

• 重新准备数据集，加载模型后按上述方法计算；
• 若必须重新训练模型，在后续训练时添加Precision和Recall作为评估指标：

  model.compile(optimizer='adam',
                loss='binary_crossentropy',  # 替换为对应任务的损失函数
                metrics=['accuracy', Precision(), Recall()])
  

内容的提问来源于stack exchange，提问作者Maral