昨天大家應該都要補班補課吧!今天讓我們一起中場休息一下，今天的主題相較於前幾天會沒那麼複雜，主要是要以測試資料評估準確率與進行預測，一起加油!

評估模型準確率
以下程式碼將會評估模型準確率:

我們來逐一仔細講解程式碼:

• score = model.evaluate(): 使用model.evaluate進行評估模型準確率，評估後的準確率，會儲存在scores
• X_Test_normalize: 測試資料的features
• Y_Test_OneHot: 測試資料的label
• print('accuracy=',score[1]): 顯示準確率

進行預測

1. 執行預測
   執行下列指令進行預測:

perdiction=model.predict_classes(X_Test)

以上程式碼使用model.predict_classes，輸入參數X_Test(測試資料的數字影像)進行預測，預測結果會存在prediction變數。

2. 預測結果
   鍵入prediction即可查看預測結果。

3. 顯示10筆預測結果
   使用上一章建立的plot_images_labels_prediction函數，顯示預測結果，輸入參數: X_test_image(測試資料影像)，Y_test_label(測試資料真實值)，prediction(預測結果)，idx=340(顯示第340至349共10筆)
   鍵入以下指令:
   
   預測結果如下:
   
   注意!真實值是5，但預測是3，字跡太過潦草，也會使電腦判別錯誤。

今天進行到了機器學習的一個里程碑了，繼續加油!

Reference: 林大貴(2019)：TensorFlow+Keras 深度學習人工智慧實務應用。新北市：博碩文化