如何获取Keras-LSTM模型对Quora问答对的二分类预测结果？

嘿，刚好碰到过类似的场景，我来给你捋清楚怎么把模型输出的概率转成0/1的二分类结果！

首先，你现在用sigmoid激活函数输出的是0到1之间的概率值（代表属于“重复”类别1的概率），这完全没问题——训练阶段就该用这个概率来计算损失（比如BinaryCrossentropy），因为梯度需要连续值才能正常传播。要得到0或1的分类结果，只需要在预测阶段加一步简单的阈值判断就行，具体操作如下：

一、核心思路：设置分类阈值 #

最常用的阈值是0.5：

• 如果预测概率 >= 0.5，判定为重复（类别1）
• 如果预测概率 < 0.5，判定为不重复（类别0）
  当然你也可以根据业务需求调整阈值（比如想减少误判就调高阈值），但0.5是二分类任务的默认选择。

二、代码实现 #

结合你给出的LSTM模型片段，我给你补全关键部分的处理：

1. 模型训练阶段（保持不变） #

你的现有逻辑没问题，训练时还是要输出概率用于损失计算，注意二分类的输出维度应该是1：

merged = RNN(EMBED_HIDDEN_SIZE)(merged)
merged = layers.Dropout(dropoutp)(merged)
# 二分类任务的Dense层输出维度设为1，sigmoid输出0-1的概率
preds = layers.Dense(1, activation='sigmoid')(merged)  
model = Model([questiona, questionb], preds)  # 假设输入是两个待对比的问句
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

⚠️ 这里提醒下：如果你的answer_size之前设的不是1，记得改成1，因为二分类只需要单个输出节点对应概率值。

2. 预测阶段（转换为0/1标签） #

当你用训练好的模型做预测时，把输出的概率转成整数标签：

import numpy as np

# 假设你有测试数据test_questiona, test_questionb
pred_probs = model.predict([test_questiona, test_questionb])

# 方法1：用round直接四舍五入（等价于0.5阈值）
pred_labels = np.round(pred_probs).astype(int)

# 方法2：手动设置阈值，更灵活（比如想降低误判率可以调到0.6）
threshold = 0.5
pred_labels = (pred_probs >= threshold).astype(int)

这样pred_labels就是你要的0或1的二分类结果了，直接和真实标签y对比就能计算准确率、召回率这些指标。

三、额外提醒 #

• 不要在模型内部直接加硬转换（比如用tf.cast(preds >=0.5, int)作为输出），这样训练时会丢失梯度，模型根本学不起来！
• 如果需要在训练过程中查看分类效果，可以在每个epoch结束后，对验证集的预测概率做同样的转换，再计算准确率。

内容的提问来源于stack exchange，提问作者Feby Inka