调用Keras/TensorFlow的model.predict_classes()后如何获取预测准确率？

嘿，作为从ML.NET转过来的新手，我完全懂你想要直接拿到每个预测样本置信度的需求——那边的体验确实很直观！

首先得说：model.predict_classes()这个方法其实已经被TensorFlow/Keras弃用了（在TensorFlow 2.6及以后的版本里官方不再推荐），而且它本身的设计就是只返回预测类别的索引，不会给出对应的置信度（也就是你说的“准确率”）。要拿到每个预测结果的置信度，你需要换用model.predict()方法。

下面是具体的操作步骤：

1. 获取完整的概率分布 #

调用model.predict(data)会返回一个二维数组，形状是(样本数量, 类别数量)，每一行代表一个样本在所有类别上的预测概率值（所有概率加起来等于1）。比如你有10张图片，分3类（自行车、汽车、行人），返回的数组就是(10, 3)的形状。

2. 推导预测类别（替代predict_classes） #

如果需要和predict_classes()一样的类别索引结果，你可以对每个样本的概率数组取最大值对应的索引：

import numpy as np

# 获取所有样本的概率分布
predict_probs = model.predict(data)

# 得到每个样本的预测类别索引
predict_classes = np.argmax(predict_probs, axis=1)

3. 获取对应类别的置信度 #

要拿到每个预测类别的置信度（比如模型认为这张图是自行车的概率是60%），只需要取出每个样本概率数组中对应预测类别的那个值：

# 获取每个预测结果对应的置信度
confidences = predict_probs[range(len(predict_probs)), predict_classes]

举个实际的例子：如果predict_probs里某一行是[0.6, 0.3, 0.1]，那么predict_classes会返回0（假设0是自行车的类别索引），对应的confidences就是0.6，也就是60%的置信度，和你在ML.NET里拿到的结果完全对应。

额外提示 #

如果你还在使用比较旧的TensorFlow版本，predict_classes()可能还能运行，但依然建议改用model.predict()的方式——因为前者只是封装了argmax的逻辑，直接丢弃了最有价值的概率分布信息，而后者能让你获取更完整的预测结果，方便后续的分析或处理。

内容的提问来源于stack exchange，提问作者eto123