基于Keras的已训练预测模型如何用新数据xnew预测y值？

嗨，这事儿其实挺简单的，核心就是用Keras模型自带的predict()方法来完成！我给你一步步拆解清楚：

1. 先确保新数据xnew的「格式和预处理」和训练数据完全一致 #

这一步绝对不能偷懒，不然预测结果大概率会跑偏：

• 你的模型输入形状是(4,)，意味着每个样本必须包含4个特征，所以xnew的整体形状得是(n_samples, 4)（n_samples是你新数据的样本数量）。
• 如果训练时你对xtrn做了预处理（比如标准化、归一化、类别编码等），一定要用和训练时完全相同的规则处理xnew。比如训练时用StandardScaler()拟合了xtrn，那xnew只能用这个scaler的transform()方法，绝对不能重新对xnew做fit操作！

2. 调用模型的predict()方法获取预测结果 #

直接把处理好的xnew传入模型的predict()方法就行，它会自动完成从输入层到输出层的前向计算，输出对应的预测y值：

# 假设xnew已经处理完毕，形状符合模型输入要求
y_pred = model.predict(xnew)

3. 根据任务类型处理预测结果 #

• 如果是回归任务：y_pred直接就是预测的连续数值，不用额外处理。
• 如果是多分类任务：y_pred是每个样本对应各类别的概率（假设输出层用了softmax激活），你可以用numpy.argmax()取出概率最高的类别标签：

  import numpy as np
  y_pred_classes = np.argmax(y_pred, axis=1)
  

• 如果是二分类任务：y_pred是样本属于正类的概率（假设输出层用了sigmoid激活），你可以设定一个阈值（比如0.5）转换为0/1标签：

  y_pred_classes = (y_pred > 0.5).astype(int)
  

简单来说，你要把xnew输入到模型的predict()方法里，这个方法会帮你把数据喂进模型的输入层，经过所有你搭建的Dense层计算，最终从输出层得到预测结果~

内容的提问来源于stack exchange，提问作者Tia