图像分类任务中如何统计Keras二分类模型的正确标签数量？

实现步骤 #

1. 先获取模型对数据集的预测结果，由于输出层用的是sigmoid激活，以0.5为阈值将预测概率转为0/1标签
2. 利用布尔数组求和直接统计所需数值

完整代码示例 #

import numpy as np

# 1. 获取测试集预测结果
y_pred_proba = model.predict(test_ds)
# 概率转0/1标签，同时拍平维度避免和真实标签维度不匹配
y_pred = (y_pred_proba > 0.5).astype(int).flatten()
# 真实标签也统一拍平
y_true = test_lb.flatten()

# 2. 统计所需数值
# 验证集标签为0的总样本数（即总猫的数量）
total_cat_count = (y_true == 0).sum()
# 验证集被正确预测为猫的样本数
correct_cat_count = ((y_true == 0) & (y_pred == 0)).sum()
# 验证集总正确预测样本数
total_correct_count = (y_true == y_pred).sum()

# 打印结果
print(f"验证集标签为0的总样本数：{total_cat_count}")
print(f"验证集正确预测为猫的样本数：{correct_cat_count}")
print(f"验证集总正确预测数：{total_correct_count}")

# 如果需要统计训练集的对应数值，替换test_ds、test_lb为train_ds、train_lb即可

补充说明 #

如果需要同时统计类别1的相关数据，只需把判断条件里的==0改成==1即可，布尔数组在求和时会自动把True视为1、False视为0，直接就能得到符合条件的样本总数。

内容的提问来源于stack exchange，提问作者FNM