性能评估

使用方法

性能评估模块提供了一系列用于模型性能评估的函数,这些函数在模型编译时由metrics关键字设置

性能评估函数类似与目标函数, 只不过该性能的评估结果讲不会用于训练.

可以通过字符串来使用域定义的性能评估函数

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

也可以自定义一个Theano/TensorFlow函数并使用之

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

参数

  • y_true:真实标签,theano/tensorflow张量
  • y_pred:预测值, 与y_true形式相同的theano/tensorflow张量

返回值

单个用以代表输出各个数据点上均值的值

可用预定义张量

除fbeta_score额外拥有默认参数beta=1外,其他各个性能指标的参数均为y_true和y_pred

  • binary_accuracy: 对二分类问题,计算在所有预测值上的平均正确率
  • categorical_accuracy:对多分类问题,计算再所有预测值上的平均正确率
  • sparse_categorical_accuracy:与categorical_accuracy相同,在对稀疏的目标值预测时有用
  • top_k_categorical_accracy: 计算top-k正确率,当预测值的前k个值中存在目标类别即认为预测正确
  • sparse_top_k_categorical_accuracy:与top_k_categorical_accracy作用相同,但适用于稀疏情况

定制评估函数

定制的评估函数可以在模型编译时传入,该函数应该以(y_true, y_pred)为参数,并返回单个张量,或从metric_name映射到metric_value的字典,下面是一个示例:

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