keras model 总是预测类别而不是概率

Question

我正在尝试使用 MLP 进行二进制分类，方法是输出一个带有 softmax 的 2 个神经元密集层作为其激活 function。 但我不断得到预测的课程。

那么我在这里做错了什么？

请注意，这是我的主要 NN 的较短版本。

inp = tf.keras.layers.Input(shape = (len(feat_cols),))
x = tf.keras.layers.Dense(32, activation = "relu")(inp)
out = tf.keras.layers.Dense(2, activation= "softmax")(x)
model = tf.keras.models.Model(inputs = inp, outputs = out)
model.compile(loss='binary_crossentropy',
          optimizer=tf.keras.optimizers.RMSprop(),
          metrics=['accuracy',"roc_auc"])
model.fit(temp[feat_cols].values.astype('float64'), np_utils.to_categorical(temp[target].values.astype('float64')), epochs = 1)
model.predict(test_df[feat_cols].values.astype("float64"))

上述 model 的我的 output 是：

750/750 [==============================] - 2s 2ms/step - loss: 948.7341 - accuracy: 0.5005
array([[0., 1.],
       [0., 1.],
       [1., 0.],
       ...,
       [1., 0.],
       [1., 0.],
       [1., 0.]], dtype=float32)

编辑：

目标是 0 或 1 个标签，它们作为一个热编码标签提供给 model。 我正在使用我的 sklearn roc_auc 指标作为 py_function 传递。 我还尝试通过删除 the.values.astype("float64") 部分......仍然如此不同。

Answer 1

您使用 binary_crossentropy 损失和 2 个神经元 output。 通常，二进制分类意味着您有 1 个 output 并尝试在 0 和 1 之间进行分类。尝试 categorical_crossentropy 作为您的损失，您将获得预测的概率。