从数据的角度理解TensorFlow鸢尾花分类程序9

接上节，本节分析最后一个模块：6，让经过训练的模型进行预测：

当训练好一个模型并“evalute”它是有效的之后，就可以该模型对无标签样本（即包含特征但不包含标签的样本）进行一些预测。

手动提供下列三个无标签样本：

predict_x = {'SepalLength': [5.1, 5.9, 6.9],'SepalWidth': [3.3, 3.0, 3.1],'PetalLength': [1.7, 4.2, 5.4],'PetalWidth': [0.5, 1.5, 2.1],}

同evaluate方法一样，Estimator 类也提供一个 predict 方法，用于对特征数据进行预测。

predict 方法使用与evaluate方法相同的输入函数eval_input_fn，唯一不同的是，predict方法不要传递标签值（labels）给eval_input_fn函数，因为labels值是我们希望predict方法预测出的，如下图所示：

classifier.predict

predict 方法返回一个 Python 可迭代对象predictions，为每个样本生成一个预测结果字典，此字典包含几个键，如所示：

{'logits': array([ 0.01958101, -0.13283071, 0.02277012], dtype=float32), 'probabilities': array([0.34942693, 0.30003005, 0.35054305], dtype=float32), 'class_ids': array([2], dtype=int64), 'classes': array([b'2'], dtype=object)}

其中：

probabilities 键存储的是一个浮点值组成的列表，每个浮点值表示输入样本是特定鸢尾花品种的概率

class_ids 键存储的是一个 1 元素数组，用于标识可能性最大的品种

最后，遍历predictions, 打印出每个样本的预测结果

到此，鸢尾花分类程序详细解读完毕。