Question

我使用Keras库实现的神经网络，以下是训练期间的结果。最后，它打印测试分数和测试准确性。我无法确切地知道得分代表什么，但我认为准确度是运行测试时正确的预测数量。

大纪元1/15 1200/1200 [==============================] - 4s - 损失：   0.6815 - acc：0.5550 - val_loss：0.6120 - val_acc：0.7525

大纪元2/15 1200/1200 [==============================] - 3s - 损失：   0.5481 - acc：0.7250 - val_loss：0.4645 - val_acc：0.8025

大纪元3/15 1200/1200 [==============================] - 3s - 损失：   0.5078 - acc：0.7558 - val_loss：0.4354 - val_acc：0.7975

Epoch 4/15 1200/1200 [==============================] - 3s - 损失：   0.4603 - acc：0.7875 - val_loss：0.3978 - val_acc：0.8350

大纪元5/15 1200/1200 [==============================] - 3s - 损失：   0.4367 - acc：0.7992 - val_loss：0.3809 - val_acc：0.8300

大纪元6/15 1200/1200 [==============================] - 3s - 损失：   0.4276 - acc：0.8017 - val_loss：0.3884 - val_acc：0.8350

大纪元7/15 1200/1200 [==============================] - 3s - 损失：   0.3975 - acc：0.8167 - val_loss：0.3666 - val_acc：0.8400

大纪元8/15 1200/1200 [==============================] - 3s - 损失：   0.3916 - acc：0.8183 - val_loss：0.3753 - val_acc：0.8450

大纪元9/15 1200/1200 [==============================] - 3s - 损失：   0.3814 - acc：0.8233 - val_loss：0.3505 - val_acc：0.8475

大纪元10/15 1200/1200 [==============================] - 3s - 损失：   0.3842 - acc：0.8342 - val_loss：0.3672 - val_acc：0.8450

Epoch 11/15 1200/1200 [==============================] - 3s - 损失：   0.3674 - acc：0.8375 - val_loss：0.3383 - val_acc：0.8525

Epoch 12/15 1200/1200 [==============================] - 3s - 损失：   0.3624 - acc：0.8367 - val_loss：0.3423 - val_acc：0.8650

大纪元13/15 1200/1200 [==============================] - 3s - 损失：   0.3497 - acc：0.8475 - val_loss：0.3069 - val_acc：0.8825

Epoch 14/15 1200/1200 [==============================] - 3s - 损失：   0.3406 - acc：0.8500 - val_loss：0.2993 - val_acc：0.8775

大纪元15/15 1200/1200 [==============================] - 3s - 损失：   0.3252 - acc：0.8600 - val_loss：0.2960 - val_acc：0.8775

400/400 [==============================] - 0s

考试成绩：0.299598811865

测试准确度：0.88

看Keras documentation，我仍然不明白得分是多少。对于评估函数，它说：

返回损失值＆amp;测试模式下模型的度量值。

我注意到的一点是，当测试精度较低时，分数较高，而当准确度较高时，分数较低。

Answer 1

供参考，代码的两个相关部分：

model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

score, acc = model.evaluate(x_test, y_test,
                            batch_size=batch_size)
print('Test score:', score)
print('Test accuracy:', acc)

分数是对给定输入的损失函数的评估。

培训网络正在寻找最小化损失函数（或成本函数）的参数。

此处的费用函数为binary_crossentropy。

对于目标T和网络输出O，二进制交叉熵可以定义为

f（T，O）= - （T * log（O）+（1-T）* log（1-O））

所以你看到的分数是对它的评价。

如果你输入一批输入，它很可能会返回平均损失。

所以是的，如果你的模型损失较低（在测试时），它通常应该有较低的预测误差。

Answer 2

在训练过程中经常使用损失来找到模型的“最佳”参数值（例如神经网络中的权重）。您尝试通过更新权重来优化培训。

从应用的角度来看，准确度更高。找到上述优化参数后，您可以使用此指标评估模型预测与真实数据的准确度。

这个答案提供了详细信息：

How to interpret "loss" and "accuracy" for a machine learning model

使用Keras评估模型时的测试分数与测试准确性

2 个答案: