使用Keras构建的NN输出float32预测值而非实际类别1、2、3的原因

嗨，我来帮你搞定这个问题～你现在得到的float32数组其实是模型输出的类别概率分布，这是因为你最后一层用了softmax激活函数——它的作用就是把模型的原始输出转换成每个类别的概率（每个元素对应属于该类别的可能性，总和为1），所以直接转int会把0-1之间的浮点数截断成0，这肯定不对啦。

为什么会出现4列概率？ #

看你的y_pred[:5]输出是4个元素的数组，但你说实际类别是1、2、3，这说明你的标签编码可能出了问题：你用categorical_crossentropy损失时，需要把标签做one-hot编码，但如果直接对原始类别1、2、3做编码，to_categorical会默认生成4列（因为最大类别是3，索引从0到3），但我们只需要3列对应类别1、2、3（转成0、1、2的索引后编码）。

完整修正步骤 #

1. 修正标签编码与模型结构
   先把原始类别1、2、3转换成0、1、2的索引，再做one-hot编码，同时调整模型最后一层的神经元数量匹配类别数：

   from keras.utils import to_categorical
   
   # 原始y是1、2、3，转成0、1、2的索引
   y_train_encoded = y_train - 1
   y_test_encoded = y_test - 1
   
   # 生成3列的one-hot编码
   y_train1 = to_categorical(y_train_encoded, num_classes=3)
   y_test1 = to_categorical(y_test_encoded, num_classes=3)
   
   # 修正模型最后一层神经元数量
   model = Sequential()
   model.add(Dense(13, activation='relu', input_shape=(12,)))
   model.add(Dense(3, activation='softmax'))  # 把原来的4改成3，对应3个类别
   

2. 从概率数组得到实际类别
   用np.argmax()找到每个样本概率最大的索引，再转回1、2、3的类别：

   import numpy as np
   
   y_pred = model.predict(X_test)
   # 获取每个样本概率最高的类别索引（0、1、2）
   y_pred_indices = np.argmax(y_pred, axis=1)
   # 转回原始类别1、2、3
   y_pred_classes = y_pred_indices + 1
   

   这样y_pred_classes就是你想要的1、2、3的类别数组啦。

为什么直接转int会得到全0？ #

因为softmax输出的都是0到1之间的浮点数，直接用int()转换会截断小数部分，所有值都会变成0，这完全不是我们要的类别判断逻辑，必须用argmax来找到概率最高的类别。

内容的提问来源于stack exchange，提问作者Dans