Question

我在Python 3中有一个Keras模型（Sequential）：

class LossHistory(keras.callbacks.Callback):
    def on_train_begin(self, logs={}):
        self.matthews_correlation = []

    def on_epoch_end(self, batch, logs={}):
        self.matthews_correlation.append(logs.get('matthews_correlation'))
...    
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['matthews_correlation'])
history = LossHistory()
model.fit(Xtrain, Ytrain, nb_epoch=10, batch_size=10, callbacks=[history])
scores = model.evaluate(Xtest, Ytest, verbose=1)

...
MCC = matthews_correlation(Ytest, predictions)

model.fit（）打印出来 - 据说是根据指标= [＆＃39; matthews_correlation＆＃39;]部分 - 进度和马修斯相关系数（MCC）。但它们与MCC最终的回馈有很大的不同。 MCC函数最终给出了预测的整体MCC，并且与sklearn的MCC函数一致（即，我信任该值）。

1）model.evaluate（）的得分是多少？它们与最终的MCC或时代的MCC完全不同。

2）时代的MCC是什么？它看起来像这样：

大纪元1/10 580/580 [===========] - 0s - 损失： 0.2500 - matthews_correlation：-0.5817

他们是如何计算出来的？为什么他们最终与MCC的差异如此之大？

3）我可以以某种方式将函数matthews_correlation（）添加到函数on_epoch_train（）中吗？然后我可以打印出独立计算的MCC。我不知道Keras隐含的是什么。

感谢您的帮助。

编辑：Here是他们如何记录损失历史的一个例子。如果我打印（history.matthews_correlation），我会得到进度报告给我的相同MCC列表。

Answer 1

您的MCC为负面的原因可能是由于Keras实施中最近修复的错误。请检查此issue。

您的问题的解决方案可能是从GitHub主分支重新安装Keras或编写您自己的回调（如here所述），问题已解决：

def matthews_correlation(y_true, y_pred):
    y_pred_pos = K.round(K.clip(y_pred, 0, 1))
    y_pred_neg = 1 - y_pred_pos

    y_pos = K.round(K.clip(y_true, 0, 1))
    y_neg = 1 - y_pos

    tp = K.sum(y_pos * y_pred_pos)
    tn = K.sum(y_neg * y_pred_neg)

    fp = K.sum(y_neg * y_pred_pos)
    fn = K.sum(y_pos * y_pred_neg)

    numerator = (tp * tn - fp * fn)
    denominator = K.sqrt((tp + fp) * (tp + fn) * (tn + fp) * (tn + fn))

    return numerator / (denominator + K.epsilon())

马修斯与Keras的相关系数

1 个答案: