我的 TensorFlow 模型具有以下结构。它旨在解决标签为 0 或 1 的二元分类问题。输出层使用具有 1 个输出的 sigmoid 激活函数。

model = keras.Sequential([
    layers.Dense(10, activation='relu', input_shape=[len(train_dataset.keys())]),
    layers.Dense(1, activation='sigmoid')
  ])
  optimizer = 'adam'

  model.compile(loss='binary_crossentropy',
                optimizer=optimizer,
                metrics=[tf.keras.metrics.Precision(), tf.keras.metrics.Recall(), tf.keras.metrics.Accuracy()])

给出的输出是一个 dtype=float32 数字数组，位于 0 和 1 之间。

array([[9.5879245e-01],
       [3.6847022e-01],
       [3.4174323e-04],
       ...,
       [2.6283860e-03],
       [3.2045375e-04],
       [1.0798702e-03]], dtype=float32)

Tensorflow 教程指出 “使用 sigmoid 激活函数，该值是 0 到 1 之间的浮点数，表示概率或置信水平”。 https://www.tensorflow.org/tutorials/keras/text_classification

我的问题是：

我是否将输出中的浮点值解释为：

1. “它属于第一类标签的可能性有多大——在这种情况下，0 类是我的第一类标签？” 例如model.predict()产量0.99998，因此有 99% 的机会属于我的第一类标签（0 类）和 1% 的属于另一个类（1 类）。

或者

2. “输出越接近0 类model.predict()的可能性0.0越大，输出越接近1 类的可能性越大”1.0