精度指标

畅游人工智能之海--Keras教程之精度指标

qiun

今天我们继续来学习Keras中的精度指标。

类型介绍

Accuracy metrics类

tf.keras.metrics.Accuracy(name="accuracy", dtype=None)

作用：

该函数用来计算模型预测准确的频率。如果sample_weight为None,权重默认置为1.

例子：

model.compile(optimizer='sgd',              loss='mse',              metrics=[tf.keras.metrics.Accuracy()])
>>> m.reset_states()>>> m.update_state([[1], [2], [3], [4]], [[0], [2], [3], [4]],...                sample_weight=[1, 1, 0, 0])>>> m.result().numpy()0.5 #weight为0的将不会被计入

BinaryAcuracy类

tf.keras.metrics.BinaryAccuracy(    name="binary_accuracy", dtype=None, threshold=0.5)

作用：

与Accuracy metrics类相似，只不过判别预测结果与标签是否匹配是按照二分类的情形判别的。

>>> m = tf.keras.metrics.BinaryAccuracy()>>> m.update_state([[1], [1], [0], [0]], [[0.98], [1], [0], [0.6]])>>> m.result().numpy()0.75

CategoricalAccuracy类

tf.keras.metrics.CategoricalAccuracy(name="categorical_accuracy", dtype=None)

作用：

用来计算one-hot标签的准确率

例子：

>>> m.reset_states()>>> m.update_state([[0, 0, 1], [0, 1, 0]], [[0.1, 0.9, 0.8],...                 [0.05, 0.95, 0]],...                sample_weight=[0.7, 0.3])>>> m.result().numpy()0.3

TopCategoricalAccuracy类

tf.keras.metrics.TopKCategoricalAccuracy(    k=5, name="top_k_categorical_accuracy", dtype=None)

作用：

计算前k个的准确率，默认值k=5

>>> m = tf.keras.metrics.TopKCategoricalAccuracy(k=1)>>> m.update_state([[0, 0, 1], [0, 1, 0]],...                [[0.1, 0.9, 0.8], [0.05, 0.95, 0]])>>> m.result().numpy()0.5

SparseTopK*CategoricalAccuracy*类

tf.keras.metrics.SparseTopKCategoricalAccuracy(    k=5, name="sparse_top_k_categorical_accuracy", dtype=None)

作用：

计算离散整数的topK准确率

例子：

>>> m = tf.keras.metrics.SparseTopKCategoricalAccuracy(k=1)>>> m.update_state([2, 1], [[0.1, 0.9, 0.8], [0.05, 0.95, 0]])>>> m.result().numpy()0.5 #[2,1]相当于对应lable最大值的下标

写在文末

Accuracy metrics是对模型准确度的测量。keras提供了许多函数，来应对不同数据格式下准确率测度计量的问题。