Wide_deep 分类器模型，需要预测概率值，而不只是“最佳猜测”

Question

由于我在 SO 上获得的很多帮助，我确实构建了一个基于宽和深 Tensorflow 教程 (here is its "Main" file this question is referring to) 的二进制分类器，仅在“宽”模式下使用。

我用来提取分类猜测的函数是：

  pred_iter = model.predict(input_fn=lambda: input_fn(FLAGS.test_data, 1, False, 1))   for pred in pred_iter:
    print(pred['classes'])

它在分类方面效果很好，但分类返回为 0 或 1，因此缺乏概率方面。

我想将分类表示为 0 到 1 之间的数字，以便了解网络对其猜测的“确定性”。

introduction itself 这么说

我们将训练一个逻辑回归模型，并给定个人的 信息我们的模型将输出一个介于 0 和 1 之间的数字，它可以 被解释为概率[...]

但我无法获得预测的这种概率方面。

我曾尝试使用许多答案中列出的 prob_a 函数，但它可能指的是旧版本的TF，所以运气不好。

我怎样才能有效地将分类作为概率而不是“一次性”？

感谢任何帮助。

我在 Python 3.5、操作系统 Ubuntu 16.04 LTS 上使用 TF 1.8。

Answer 1

tf.estimator.LinearClassifier 实例返回您可以使用的值字典。您只在代码中使用了pred[ 'classes' ]，但概率值也在pred[ 'probabilities' ] 中。你也可以

print( pred )

这将输出与此类似的内容（带有虚拟数据）：

{'logits': 数组([1.4264423], dtype=float32),
“逻辑”：数组（[0.80634636]，dtype=float32），
“概率”：数组（[0.19365363，0.80634636]，dtype=float32），
'class_ids': 数组(1),
'classes': 数组([b'1'], dtype=object) }

因此您可以看到您也可以访问logits 和class_ids。

第1类的概率是pred[ 'probabilities' ]中的第二个值，据我了解，这是您要使用的。