在前面的博文中，我们分享了《基于scikit-learn机器学习库的分类预测》，本文将分享Keras机器学习库的分类预测。
一旦你在Keras中选择好机器学习模型，就可以用它来预测新的数据实例。初学者经常会有这样的疑问：
如何在Keras中用我自己的模型进行预测？
在本教程中，你将会发现如何在Keras Python库的机器学习模型进行分类和回归预测。文章结构如下：
1.如何构建一个模型，为预测做好准备。
2.如何在Keras库中进行类别和概率预测。
3.如何在Keras库中进行回归预测。
一、构建一个模型
在进行预测之前，你必须训练一个最终模型。你可以使用k-fold交叉验证或训练/测试数据，对模型进行训练。这样做的目的就是为了评估模型在样本外数据上的表现及其性能，比如新的数据。
你可以在这里了解更多关于如何训练最终模型的信息：
二、对类别进行预测
分类问题，就是模型学习输入特征与输出特征之间的映射，确定某一个或多个数据实例是否为某一个类标签的问题，比如“是垃圾邮件”和“不是垃圾邮件”。
下面是在Keras中针对一个简单二元分类问题最终模型的示例代码。如何在Keras中开发一个神经网络模型，请看下面这篇文章：
模型构建完成以后，需要将模型保存到文件中，如Keras API。保存后，你可以随时加载模型并使用它进行预测。有关这方面的详细内容，请参阅以下文章：
现在，我们希望用最终模型进行两种分类预测：类别预测和概率预测。
1、类别预测
类别预测就是给定最终模型和一个或多个数据实例，使用模型对预测数据实例进行分类。
首先我们并不知道新数据的类别。这就是我们需要这个模型的原因。
在Keras库的最终分类模型中，使用predict_classes()函数来预测新数据实例的所属类别。请注意，predict_classes()函数仅适用于Sequential模型，并不适用于使用function API开发的模型。
例如，数组Xnew中有一个或多个数据实例，将这个（这些）实例传递给模型的predict_classes()函数，以便预测数组中每个实例所属的类别。
预测代码如下：
运行上述代码，对三个新的数据实例的类别进行预测，并将新的数据实例和预测结果打印出来，如下图所示。
如果只有一个新的数据实例，则可以直接将放入数组中，并传递给predict_classes()函数，如下图所示。
运行该实例，并打印该实例数据和预测结果，如下图所示。
关于类别标签的注意事项
准备好数据后，可能使用过LabelEncoder将图像的类别（例如字符串型）映射为整型。也可以用LabelEncoder中的inverse_transform()函数将整型再转换回字符串型。出于这个原因，在拟合最终模型时，您可能想要在pickle库中保存用于编码输出预测结果的LabelEncoder。
2、概率预测
概率预测就是预测每个数据实例所属类别的概率。给定一个或多个新实例，该模型将预测每个数据所属类别的概率，并返回0和1之间的某一个值。
你可以在scikit-learn中调用predict_proba()函数进行这些实例的类别概率的预测，如下图所示：
在两种类别（二元）的情况下，输出层通常使用S形激活函数。预测概率用来描述实例数据属于第一类的可能性。
在多种类别的情况下，输出层通常使用softmax激活函数，并返回所属类别的可能性。
下面的代码是对数据实例数组Xnew中的每个实例进行概率预测。
运行上述代码进行概率预测，并打印出输入数据实例以及每个实例数据属于第一类的概率。
三、如何使用回归模型进行预测
回归属于监督学习，给定输入实例数据，模型学习并将数据数据映射到一个合适的输出量，例如0.1，0.2等。
一个Keras最终的回归模型如下所示。
我们可以在最终模型上调用predict()函数来预测所述类别的概率。和分类一样，predict()函数将一个或多个数据实例的列表或数组作为输入。
下面的例子为在多个类别的新数据实例上进行回归预测。
运行上述代码，对多个数据实例进行预测，并将输出和预测结果打印出来，如下图所示。
将相同的函数用于适当的列表或数组中，就可以对单个数据实例进行预测，举例如下。
运行上述代码，并打印出数据实例和预测结果，如下图所示。
拓展阅读
如果您希望深入了解使用Keras进行分类预测，请查看以下更为详细的资源：
3.手把手教你在Keras中用Python开发一个神经网络。
以上为译文。
本文由北邮@爱可可-爱生活 老师推荐，阿里云云栖社区组织翻译。
文章原标题《How to Make Predictions with scikit-learn》，译者：Mags，审校：袁虎。
文章为简译，更为详细的内容，请查看原文。
