**问题引入：**在以往我在做 深度学习 实验时， 预测 结果会调用 model .ecaluate，可以直接到到loss与accuracy。但是最近要做D-S证据理论融合实验，这个输出结果就用不上了 model = Sequential() score = model .evaluate(x_test, y_test_hot, verbose=1) print('test loss:', score[0]) print('test accuracy:', score[1]) model . predict (x_te.

predict ( x, batch_size=None, verbose=0, steps=None, callbacks=None, max_queue_size=10, workers=1, use_multiprocessing=False x: 输入 样本，格式可以是 - Numpy数组（或类似array的数组）或数组列表（如果 模型 具有多个 输入 ）。 - TensorFlow张量或张量列表（如果 模型 具有多个 输入 ）。 - tf.data 数据 集。 - 生成器或keras.

发现个很有用的方法—— predict _proba 今天在做 数据 预测 的时候用到了，感觉很不错，所以记录分享一下，以后可能会经常用到。 我的理解： predict _proba不同于 predict ，它返回的 预测 值为，获得所有结果的概率。（有多少个分类结果，每行就有多少个概率，以至于它对每个结果都有一个可能，如0、1就有两个概率） 获取 数据 及 预测 代码： from sklearn.linear_ model import LogisticRegression import numpy as np train_X = np.array(np.random.randint(0,10,size=30).

### 回答1： model . predict 函数 是Python 中 用于进行 机器学习 模型 预测 的 函数 。它可以 输入 一个或多个 数据 样本，并输出相应的 预测 结果。该 函数 通常用于测试集上的 预测 ，以评估 模型 的性能和准确性。在使用该 函数 时，需要先训练好 模型 并加载到内存 中 。 ### 回答2： Python 中 的 机器学习 库通常都会提供 model . predict 函数 ，这个 函数 的主要功能是将训练好的 模型 应用于新的 数据 集，以生成 预测 结果。 首先，需要加载指定的 模型 ，并将其存储在一个变量 中 ，可以使用 机器学习 库 中 提供的 函数 或类完成。 然后，构建 预测 数据 集，这个 数据 集的格式需要与训练 数据 集的格式相同，并且需要对其进行预处理，以确保其适合于应用 模型 。 最后，在已经载入 模型 和预处理好的 数据 集上，使用 model . predict 函数 进行 预测 。这个 函数 会将 预测 数据 集作为 输入 参数，并返回相应的 预测 结果。 在使用 model . predict 函数 时，我们需要注意以下几个方面： 第一， 预测 数据 集的格式必须与训练 数据 集的格式相同，包括特征向量的长度、特征值的 数据 类型等。 第二，需要注意 数据 集 中 的缺失值和异常值，这些 数据 在预处理过程 中 需要被正确处理。 第三， 预测 结果的格式需要根据实际情况进行调整，以便于后续的结果分析和应用。 第四，如果 预测 数据 集很大，需要考虑批量 预测 的方式，以充分利用计算资源和提高运算效率。 总之，Python 中 的 model . predict 函数 是 机器学习 模型 应用的重要组成部分，它能够对新 数据 进行快速、准确的 预测 ，并为用户提供有用的 预测 结果。但是，其正确性和可用性需要在实践 中 加以验证和调整。 ### 回答3： 在Python 中 ， Model . predict 函数 是用于生成 模型 输出结果的方法。它接受一个 输入 样本，返回一个输出样本，这个输出样本是基于训练好的 模型 和 输入 样本进行 预测 计算得到的。 函数 的输出结果通常是与 输入 形状相同的数组或张量。 在Keras 中 ， Model . predict 函数 是非常通用的方法，可以用于在训练后对新 数据 进行单个 预测 ，也可以用于对一组 数据 进行批量 预测 。例如，我们可以通过以下方式使用 Model . predict 函数 ： ```python results = model . predict (input_data) 这里的input_data可以是一个单独的样本，也可以是一组样本。我们还可以使用 Model . predict _proba 函数 来得到输出的概率值。这个方法 输入 和输出的格式与 Model . predict 函数 相同，但它返回的是每个类别的概率分布。示例代码如下： ```python prob_results = model . predict _proba(input_data) 除了它的基本功能外， Model . predict 函数 还可以在测试 中 进行 模型 评估。通过比较 预测 输出与真实标签之间的差异，我们可以评估 模型 的性能。在使用 Model . predict 函数 时，我们需要以与训练 数据 相同的方式对 输入 进行预处理，以确保输出结果的准确性和可靠性。 总之， Model . predict 函数 是一个非常重要的 函数 ，它在Python 中 的应用广泛并且在 深度学习 中 扮演着重要的角色。我们可以使用它来生成 预测 输出、进行批量 预测 、做出 预测 概率 预测 和在测试 中 评估 模型 性能等。在Python 中 ， Model . predict 函数 是 深度学习 模型 的重要组成部分。