能評估

使用方法

性能評估模塊提供了一系列用于模型性能評估的函數(shù),這些函數(shù)在模型編譯時由metrics關(guān)鍵字設(shè)置

性能評估函數(shù)類似與目標(biāo)函數(shù), 只不過該性能的評估結(jié)果講不會用于訓(xùn)練.

可以通過字符串來使用域定義的性能評估函數(shù)

model.compile(loss='mean_squared_error',
    optimizer='sgd',
    metrics=['mae', 'acc'])

也可以自定義一個Theano/TensorFlow函數(shù)并使用之

from keras import metrics
 
model.compile(loss='mean_squared_error',
    optimizer='sgd',
    metrics=[metrics.mae, metrics.categorical_accuracy])

參數(shù)

y_true:真實標(biāo)簽,theano/tensorflow張量

y_pred:預(yù)測值, 與y_true形式相同的theano/tensorflow張量

返回值

單個用以代表輸出各個數(shù)據(jù)點(diǎn)上均值的值

可用預(yù)定義張量

除fbeta_score額外擁有默認(rèn)參數(shù)beta=1外,其他各個性能指標(biāo)的參數(shù)均為y_true和y_pred

binary_accuracy: 對二分類問題,計算在所有預(yù)測值上的平均正確率

categorical_accuracy:對多分類問題,計算再所有預(yù)測值上的平均正確率

sparse_categorical_accuracy:與categorical_accuracy相同,在對稀疏的目標(biāo)值預(yù)測時有用

top_k_categorical_accracy: 計算top-k正確率,當(dāng)預(yù)測值的前k個值中存在目標(biāo)類別即認(rèn)為預(yù)測正確

sparse_top_k_categorical_accuracy：與top_k_categorical_accracy作用相同，但適用于稀疏情況

定制評估函數(shù)

定制的評估函數(shù)可以在模型編譯時傳入,該函數(shù)應(yīng)該以(y_true, y_pred)為參數(shù),并返回單個張量,或從metric_name映射到metric_value的字典,下面是一個示例:

(y_true, y_pred) as arguments and return a single tensor value.
import keras.backend as K
def mean_pred(y_true, y_pred):
 return K.mean(y_pred)
 
model.compile(optimizer='rmsprop',
    loss='binary_crossentropy',
    metrics=['accuracy', mean_pred])

補(bǔ)充知識：Keras.metrics中的accuracy總結(jié)

1. 背景

Accuracy（準(zhǔn)確率）是機(jī)器學(xué)習(xí)中最簡單的一種評價模型好壞的指標(biāo)，每一個從事機(jī)器學(xué)習(xí)工作的人一定都使用過這個指標(biāo)。沒從事過機(jī)器學(xué)習(xí)的人大都也知道這個指標(biāo)，比如你去向別人推銷一款自己做出來的字符識別軟件，人家一定會問你準(zhǔn)確率是多少。準(zhǔn)確率聽起來簡單，但不是所有人都能理解得透徹，本文將介紹Keras中accuracy（也適用于Tensorflow）的幾個新“玩法”。

2. Keras中的accuracy介紹

Keras.metrics中總共給出了6種accuracy，如下圖所示：

接下來將對這些accuracy進(jìn)行逐個介紹。

1) accuracy

該accuracy就是大家熟知的最樸素的accuracy。比如我們有6個樣本，其真實標(biāo)簽y_true為[0, 1, 3, 3, 4, 2]，但被一個模型預(yù)測為了[0, 1, 3, 4, 4, 4]，即y_pred=[0, 1, 3, 4, 4, 4]，那么該模型的accuracy=4/6=66.67%。

2) binary_accuracy

binary_accuracy和accuracy最大的不同就是，它適用于2分類的情況。從上圖中可以看到binary_accuracy的計算除了y_true和y_pred外，還有一個threshold參數(shù)，該參數(shù)默認(rèn)為0.5。比如有6個樣本，其y_true為[0, 0, 0, 1, 1, 0]，y_pred為[0.2, 0.3, 0.6, 0.7, 0.8, 0.1]，那么其binary_accuracy=5/6=87.5%。具體計算方法為：1）將y_pred中的每個預(yù)測值和threshold對比，大于threshold的設(shè)為1，小于等于threshold的設(shè)為0，得到y(tǒng)_pred_new=[0, 0, 1, 1, 1, 0]；2）將y_true和y_pred_new代入到2.1中計算得到最終的binary_accuracy=87.5%。

3) categorical_accuracy

categorical_accuracy和accuracy也很像。不同的是accuracy針對的是y_true和y_pred都為具體標(biāo)簽的情況，而categorical_accuracy針對的是y_true為onehot標(biāo)簽，y_pred為向量的情況。比如有4個樣本，其y_true為[[0, 0, 1], [0, 1, 0], [0, 1, 0], [1, 0, 0]]，y_pred為[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]，則其categorical_accuracy為75%。具體計算方法為：1）將y_true轉(zhuǎn)為非onehot的形式，即y_true_new=[2, 1, 1, 0]；2）根據(jù)y_pred中的每個樣本預(yù)測的分?jǐn)?shù)得到y(tǒng)_pred_new=[1, 1, 1, 0]；3）將y_true_new和y_pred_new代入到2.1中計算得到最終的categorical_accuracy=75%。

4) sparse_categorical_accuracy

和categorical_accuracy功能一樣，只是其y_true為非onehot的形式。比如有4個樣本，其y_true為[2， 1， 1， 0]，y_pred為[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]，則其categorical_accuracy為75%。具體計算方法為：1）根據(jù)y_pred中的每個樣本預(yù)測的分?jǐn)?shù)得到y(tǒng)_pred_new=[1, 1, 1, 0]；2）將y_true和y_pred_new代入到2.1中計算得到最終的categorical_accuracy=75%。

5) top_k_categorical_accuracy

在categorical_accuracy的基礎(chǔ)上加上top_k。categorical_accuracy要求樣本在真值類別上的預(yù)測分?jǐn)?shù)是在所有類別上預(yù)測分?jǐn)?shù)的最大值，才算預(yù)測對，而top_k_categorical_accuracy只要求樣本在真值類別上的預(yù)測分?jǐn)?shù)排在其在所有類別上的預(yù)測分?jǐn)?shù)的前k名就行。比如有4個樣本，其y_true為[[0, 0, 1], [0, 1, 0], [0, 1, 0], [1, 0, 0]]，y_pred為[[0.3, 0.6, 0.1], [0.5, 0.4, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]，根據(jù)前面知識我們可以計算得到其categorical_accuracy=50%，但是其top_k_categorical_accuracy是多少呢？答案跟k息息相關(guān)。如果k大于或等于3，其top_k_categorical_accuracy毫無疑問是100%，因為總共就3個類別。如果k小于3，那就要計算了，比如k=2，那么top_k_categorical_accuracy=75%。具體計算方法為：1）將y_true轉(zhuǎn)為非onehot的形式，即y_true_new=[2, 1, 1, 0]；2）計算y_pred的top_k的label，比如k=2時，y_pred_new = [[0, 1], [0, 1], [0, 1], [0, 2]]；3）根據(jù)每個樣本的真實標(biāo)簽是否在預(yù)測標(biāo)簽的top_k內(nèi)來統(tǒng)計準(zhǔn)確率，上述4個樣本為例，2不在[0, 1]內(nèi)，1在[0, 1]內(nèi)，1在[0, 1]內(nèi)，0在[0, 2]內(nèi)，4個樣本總共預(yù)測對了3個，因此k=2時top_k_categorical_accuracy=75%。說明一下，Keras中計算top_k_categorical_accuracy時默認(rèn)的k值為5。

6) sparse_top_k_categorical_accuracy

和top_k_categorical_accuracy功能一樣，只是其y_true為非onehot的形式。比如有4個樣本，其y_true為[2， 1， 1， 0]，y_pred為[[0.3, 0.6, 0.1], [0.5, 0.4, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]。計算sparse_top_k_categorical_accuracy的步驟如下：1）計算y_pred的top_k的label，比如k=2時，y_pred_new = [[0, 1], [0, 1], [0, 1], [0, 2]]；2）根據(jù)每個樣本的真實標(biāo)簽是否在預(yù)測標(biāo)簽的top_k內(nèi)來統(tǒng)計準(zhǔn)確率，上述4個樣本為例，2不在[0, 1]內(nèi)，1在[0, 1]內(nèi)，1在[0, 1]內(nèi)，0在[0, 2]內(nèi)，4個樣本總共預(yù)測對了3個，因此k=2時top_k_categorical_accuracy=75%。

3. 總結(jié)

綜上，keras中的accuracy metric用法很多，大家可以根據(jù)自己的實際情況選擇合適的accuracy metric。以下是幾個比較常見的用法：

1) 當(dāng)你的標(biāo)簽和預(yù)測值都是具體的label index（如y_true=[1, 2, 1], y_pred=[0, 1, 1]）時，用keras.metrics.accuracy。

2) 當(dāng)你的標(biāo)簽是具體的label index，而prediction是向量形式（如y_true=[1, 2, 1], y_pred=[[0.2, 0.3, 0.5], [0.9, 0.1, 0], [0, 0.4, 0.6]]）時，用keras.metrics.sparse_categorical_accuracy。

3）當(dāng)你的標(biāo)簽是onehot形式，而prediction是向量形式（如y_true=[[0, 1, 0], [0, 0, 1], [0, 1, 0]], y_pred=[[0.2, 0.3, 0.5], [0.9, 0.1, 0], [0, 0.4, 0.6]]）時，用keras.metrics.categorical_accuracy。

當(dāng)然，還有其他更高級的用法，比如對每個類別的accuracy求平均，或者對每個類別的accuracy進(jìn)行加權(quán)，或者對每個樣本的accuracy進(jìn)行加權(quán)等，不在本文的討論范圍，大家有興趣可以去參考Tensorflow或者Keras的官方文檔。

以上這篇Keras官方中文文檔:性能評估Metrices詳解就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

最新評論