我正在研究一個腫瘤分類問題，其中我有 4 個類別 [神經膠質瘤（1624 個樣本）、腦膜瘤（1645 個樣本）、notumor（2000 個樣本）和垂體（1757 個樣本）]。我保存的模型有問題，混淆矩陣顯示幾乎完美的結果，沒有偏見或任何東西，當我這樣做時
model.evaluate(test_set)
我得到： categorical_accuracy: 0.9872 [0.06456023454666138, 0.9871976971626282]
但是當我嘗試進行預測時，所有結果都是錯誤的（即使我故意為模型注入訓練資料來預測）我為預測撰寫了這個函式：
def predict_on_one_image(model,image_path):
img = imread(image_path)
img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
img = np.expand_dims(np.stack((img,)*3, axis=-1), axis=0).astype(np.float32)
p = model6.predict(img)
return {'class':p.argmax(axis=-1)[0],'probability':p}
我的標簽是：
{'glioma': 0, 'meningioma': 1, 'notumor': 2, 'pituitary': 3}
如果我嘗試從訓練集中預測影像的類別 [原始類別 = 神經膠質瘤]
predict_on_one_image(model6,'path_here/training/glioma/Te-gl_0016.jpg' )
我得到類預測為 notumor
{'class': 2, 'probability': array([[0., 0., 1., 0.]], dtype=float32)}
我懷疑它對 notumor 的偏見，因為它擁有最多的資料（類不平衡問題），但無論如何我可以得到正確的預測而不必再次運行模型？
uj5u.com熱心網友回復：
基本上，我需要以與處理影像進行訓練相同的方式處理影像進行預測（我使用 ImageDataGenerator 重新縮放它們）
我添加了這幾行代碼，它可以正確預測：
img = imread('path_here/testing/notumor/Te-no_0164.jpg')
x = asarray(img)
x = x / 255.
x = np.expand_dims(x, axis=0)
images = np.vstack([x])
classes = model6.predict(images, batch_size=10)
print('Predicted class is :')
print(np.argmax(classes))
學分：此評論
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/508273.html