如何用数组预测二分类概率？现有代码报错求修正

1. 排查row变量的有效性 #

首先确认row是否被正确赋值——很多时候报错是因为row的值为None。先打印变量状态验证：

print(row)
print(type(row))

如果输出显示None，得先补全row的数据源：要么手动构造对应特征的列表/数组，要么检查读取未知数据的代码逻辑（比如文件路径错误、数据读取函数返回空值）。

2. 调整输入形状匹配模型要求 #

神经网络要求输入为二维数组（格式为[样本数, 特征数]），哪怕是单条数据也不能用一维结构。如果row是一维列表/数组，用以下代码转换：

import numpy as np
# 转成(1, 特征数)的二维结构
row = np.array(row).reshape(1, -1)
# 或者用expand_dims实现
row = np.expand_dims(row, axis=0)

3. 核对特征数量一致性 #

确保row的特征数量和训练模型时的输入特征数完全一致。比如训练时用了7个特征，row也必须包含7个对应数值，多一个少一个都会触发格式错误。

4. 修正预测代码逻辑 #

以Keras/TensorFlow为例，正确的预测类别1概率的代码应该是：

# model为训练完成的模型
prob_class_1 = model.predict(row)[0][1]
print(prob_class_1)

避免出现model.predict()未传参、传参为None这类低级错误。

内容的提问来源于stack exchange，提问作者Jerry