如何在Keras中定位文本分类验证集误判样本并可视化错误预测

当然可以实现！在Keras里追踪验证集的误判样本并画出你想要的柱状图完全没问题，我给你拆解成几个简单步骤，照着做就行：

首先你需要用训练好的模型对验证集做预测，然后和真实标签比对，把预测错的样本挑出来。代码大概是这样的：

# 假设你已经有训练好的model，以及验证集的x_val（输入数据）、y_val（真实标签）、还有原文本texts_val（用来统计长度）
y_pred = model.predict(x_val)
# 把预测概率转成类别标签（多分类用argmax，二分类也可以用阈值比如0.5）
y_pred_classes = np.argmax(y_pred, axis=1)
# 如果你的y_val是one-hot编码，就转成整数标签；如果本来就是整数，直接用y_val就行
y_true_classes = np.argmax(y_val, axis=1)

# 找出所有误判样本的索引
misclassified_indices = np.where(y_pred_classes != y_true_classes)[0]
# 提取对应的原文本、真实标签和预测标签
misclassified_texts = [texts_val[i] for i in misclassified_indices]

这里要注意：如果你的x_val是已经预处理过的token序列，那记得保留原文本texts_val，这样统计出来的句子长度才是真实的；要是你直接用token序列的长度当“句子长度”，那直接取len(x_val[i])就行。

接下来统计不同长度的误判样本有多少个，用Counter就能轻松搞定：

from collections import Counter

# 计算每个误判样本的长度
misclassified_lengths = [len(text) for text in misclassified_texts]
# 统计每个长度出现的次数
length_counts = Counter(misclassified_lengths)

# 整理成画图需要的格式：X轴是长度（排序后更直观），Y轴是对应次数
x_lengths = sorted(length_counts.keys())
y_counts = [length_counts[length] for length in x_lengths]

用Matplotlib就能画出你要的图，代码很简单：

import matplotlib.pyplot as plt

plt.figure(figsize=(12, 6))
plt.bar(x_lengths, y_counts, color='#ff6b6b')
plt.xlabel('句子长度')
plt.ylabel('误判样本数量')
plt.title('验证集误判样本的句子长度分布')
plt.xticks(rotation=45)  # 长度多的话旋转X轴标签，避免重叠
plt.tight_layout()  # 自动调整布局
plt.show()

哪怕你训练轮次极少，这个方法也照样能用——它只是客观展示当前模型的误判情况，和模型收敛程度无关，只要有预测结果就能统计。

另外，如果你想在每轮训练结束后都跟踪误判分布，可以自定义一个Keras回调函数，这样能看到训练过程中误判情况的变化：

from keras.callbacks import Callback
from collections import Counter
import numpy as np

class MisclassifiedTracker(Callback):
    def __init__(self, x_val, y_val, texts_val):
        super().__init__()
        self.x_val = x_val
        self.y_val = y_val
        self.texts_val = texts_val  # 保存原验证文本

    def on_epoch_end(self, epoch, logs=None):
        # 对验证集做预测
        y_pred = self.model.predict(self.x_val, verbose=0)
        y_pred_classes = np.argmax(y_pred, axis=1)
        y_true_classes = np.argmax(self.y_val, axis=1)
        # 找出误判样本
        misclassified_indices = np.where(y_pred_classes != y_true_classes)[0]
        # 统计长度分布
        misclassified_lengths = [len(self.texts_val[i]) for i in misclassified_indices]
        length_counts = Counter(misclassified_lengths)
        # 打印当前轮次的误判分布
        print(f"\nEpoch {epoch+1} 误判长度统计: {dict(length_counts)}")
        # 要是想每轮都保存图，把画图代码放这里就行

# 训练的时候把这个回调加进去
tracker = MisclassifiedTracker(x_val, y_val, texts_val)
model.fit(x_train, y_train, validation_data=(x_val, y_val), epochs=5, callbacks=[tracker])

这样每训练一轮，你就能看到当前模型对不同长度句子的误判情况，方便你针对性调整模型（比如给长句子加更多处理逻辑）。

内容的提问来源于stack exchange，提问作者LagSurfer