Keras Глубокое обучение R классы предсказания тензорного потока радужки

Question

Я хотел бы предсказать классы из файла, которые хранят значения радужной оболочки.Точность модели кажется хорошей со значением:

perf = model %>% evaluate(x_test, y_test)
print(perf)
## $loss
## [1] 0.3843208
## 
## $acc
## [1] 1

Моя проблема, как только я хочу предсказать классы;

#load new data from file for prediction
library(readr)
Variants <- read.table(here::here("data","Species_to_predict.csv"), sep=";", header=T, dec=".", fill=TRUE)
# Predicted Class
yhat_keras_class_vec <- predict_classes(object = model, x = as.matrix(Variants)) 
yhat_keras_class_vec
 [1] 2 2 2 2 2 2 2 2 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1
[30] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

У меня такое же выходное значение.Знаете ли вы, что я делаю неправильно, или вы знаете, есть ли какая-либо ошибка в kerasвести прогнозные классы?

Вот моя реализация:

library("keras")
library("tidyverse")
nn_dat = iris %>% as_tibble %>%
  mutate(sepal_l_feat = scale(Sepal.Length),
         sepal_w_feat = scale(Sepal.Width),
         petal_l_feat = scale(Petal.Length),
         petal_w_feat = scale(Petal.Width),          
         class_num    = as.numeric(Species) - 1, # factor, so = 0, 1, 2
         class_label  = Species) %>%
  select(contains("feat"), class_num, class_label)
nn_dat %>% head(3)
test_f = 0.20
nn_dat = nn_dat %>%
  mutate(partition = sample(c('train','test'), nrow(.), replace = TRUE, prob = c(1 - test_f, test_f)))
x_train = nn_dat %>% filter(partition == 'train') %>% select(contains("feat")) %>% as.matrix
y_train = nn_dat %>% filter(partition == 'train') %>% pull(class_num) %>% to_categorical(3)
x_test  = nn_dat %>% filter(partition == 'test')  %>% select(contains("feat")) %>% as.matrix
y_test  = nn_dat %>% filter(partition == 'test')  %>% pull(class_num) %>% to_categorical(3)

model = keras_model_sequential()
model %>% 
  layer_dense(units = 4, activation = 'relu', input_shape = 4) %>% 
  layer_dense(units = 3, activation = 'softmax')
model %>% summary

model %>% compile(
  loss      = 'categorical_crossentropy',
  optimizer = optimizer_rmsprop(),
  metrics   = c('accuracy')
)
history = model %>% fit(
  x = x_train, y = y_train,
  epochs           = 200,
  batch_size       = 20,
  validation_split = 0
)
perf = model %>% evaluate(x_test, y_test)
print(perf)
plot_dat = nn_dat %>% filter(partition == 'test') %>%
  mutate(class_num = factor(class_num),
         y_pred    = factor(predict_classes(model, x_test)),
         Correct   = factor(ifelse(class_num == y_pred, "Yes", "No")))
plot_dat %>% select(-contains("feat")) %>% head(3)

#load new data from file for prediction
library(readr)
Variants <- read.table(here::here("data","Species_to_predict.csv"), sep=";", header=T, dec=".", fill=TRUE)
# Predicted Class
yhat_keras_class_vec <- predict_classes(object = model, x = as.matrix(Variants)) 
yhat_keras_class_vec