如何从该集成模型获取预测？输出结果含义解析

一、输出结果的含义 #

你得到的输出 [[9.9993783e-01 1.3912816e-06 6.0800008e-05 2.9077312e-09]] 是集成模型对单张输入图片的预测概率分布，具体细节：

• 这是形状为 (1, 4) 的二维数组，第一个维度代表样本数量（这里是1张图片），第二个维度对应你的任务中的4个类别。
• 每个数值是模型预测该样本属于对应类别的概率，用科学计数法表示：
  • 9.9993783e-01 = 0.99993783，即约99.9938%的概率属于第1个类别（索引0）
  • 1.3912816e-06 = 0.0000013912816，即约0.00014%的概率属于第2个类别（索引1）
  • 6.0800008e-05 = 0.000060800008，即约0.0061%的概率属于第3个类别（索引2）
  • 2.9077312e-09 = 0.0000000029077312，概率几乎为0，属于第4个类别（索引3）

另外需要注意：你代码里注释写的是“majority vote（多数投票）”，但实际实现的是概率平均的集成方式——对两个模型的预测概率取均值，这是集成学习中常用的方法，和基于类别预测的多数投票逻辑不同。

二、如何获取最终预测类别 #

要得到明确的预测类别，只需从概率分布中选取概率最大的类别索引，再对应到你任务中的实际类别标签即可，用numpy的argmax函数就能实现：

import numpy as np

# 你的集成预测结果
predictions = np.array([[9.9993783e-01, 1.3912816e-06, 6.0800008e-05, 2.9077312e-09]])

# 获取每个样本的预测类别索引（axis=1表示按样本维度取最大值索引）
predicted_class_indices = np.argmax(predictions, axis=1)
print(predicted_class_indices)  # 输出: [0]

# 假设你的类别标签对应关系是：比如 ["cat", "dog", "bird", "fish"]
class_labels = ["cat", "dog", "bird", "fish"]
predicted_class = class_labels[predicted_class_indices[0]]
print(predicted_class)  # 输出: cat

如果是多张图片输入，predictions的形状会是(N, 4)（N为样本数），argmax会自动返回每个样本的类别索引数组。

内容的提问来源于stack exchange，提问作者Saad Saleem