如何在Keras中设置预测阈值并筛选二分类高置信度样本？

一、自定义预测阈值超简单 #

Keras做二分类时，默认用sigmoid激活输出层，模型会给出每个样本属于类别1的概率值（范围0到1），默认判定阈值是0.5，但你完全可以根据需求自定义，步骤很直观：

1. 先获取所有样本的预测概率：

# 假设images是你预处理好的测试图像数组
predict_probs = model.predict(images)

这里predict_probs是形状为(样本数量, 1)的数组，每个元素对应图像属于类别1的概率。

2. 用自定义阈值生成最终标签：
   比如你觉得0.5的阈值太宽松，想把阈值调到0.7，只把概率≥0.7的图像判定为1：

my_threshold = 0.7
predict_labels = (predict_probs >= my_threshold).astype(int)

这样就完成了自定义阈值的分类判断，调整阈值也只需要改一个数值就行。

二、当然能筛选最可能为1的图像！ #

通过概率分数排序筛选是最直接的方式，操作也不复杂：

1. 把概率和图像索引绑定：
   这样排序后还能精准找到对应的原始图像：

# 将每个图像的索引与对应的概率配对
prob_index_pairs = list(enumerate(predict_probs.flatten()))

2. 按概率从高到低排序：

# 降序排列，让概率最高的样本排在最前面
sorted_pairs = sorted(prob_index_pairs, key=lambda x: x[1], reverse=True)

3. 提取Top N高置信度图像：
   比如你要取概率最高的前15张：

top_n = 15
# 拿到这些高置信度图像的索引
top_image_indices = [idx for idx, prob in sorted_pairs[:top_n]]
# 从原始图像数组中取出对应的图像
top_confident_images = images[top_image_indices]
# 还可以顺便获取它们的置信度分数
top_confidence_scores = [prob for idx, prob in sorted_pairs[:top_n]]

这样你就得到了最符合类别1特征的一批图像，还能看到它们的具体置信度数值。

小提醒 #

• 阈值选择要贴合你的需求：如果怕把非1的图像误判成1，就调高阈值；如果不想漏掉任何可能是1的图像，就降低阈值。
• 没必要特意修改模型结构来集成阈值逻辑，手动处理概率的方式更灵活，随时调整阈值都不用重新训练模型。

内容的提问来源于stack exchange，提问作者percy