Question

我正在使用Keras进行多类分类问题，我使用二进制精度和分类精度作为指标。当我评估我的模型时，我得到了一个非常高的二进制精度值和非常低的分类精度。我试图在我自己的代码中重新创建二进制精度指标，但我没有太多运气。我的理解是，这是我需要重新创建的过程：

def binary_accuracy(y_true, y_pred):
     return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

这是我的代码：

from keras import backend as K
preds = model.predict(X_test, batch_size = 128)

print preds
pos = 0.00
neg = 0.00

for i, val in enumerate(roundpreds):

    if val.tolist() == y_test[i]:
        pos += 1.0

    else: 
        neg += 1.0

print pos/(pos + neg)

但这比二进制精度给出的值低得多。二进制精度甚至是在多类问题中使用的适当度量吗？若有，那么有谁知道我哪里出错了？

Answer 1

因此，您需要了解将binary_crossentropy应用于多类预测时会发生什么。

我们假设您softmax的输出为(0.1, 0.2, 0.3, 0.4)，而单一编码的基础事实为(1, 0, 0, 0)。
binary_crossentropy会屏蔽高于0.5的所有输出，因此您的网络会转向(0, 0, 0, 0)向量。

(0, 0, 0, 0)在4个索引中的3个匹配基础事实(1, 0, 0, 0) - 这使得完全错误的答案的结果准确度达到 75％的水平 <！/ LI>
要解决此问题，您可以使用单一类别的准确度，例如：喜欢这个：

def single_class_accuracy(interesting_class_id): def fn(y_true, y_pred): class_id_preds = K.argmax(y_pred, axis=-1) # Replace class_id_preds with class_id_true for recall here positive_mask = K.cast(K.equal(class_id_preds, interesting_class_id), 'int32') true_mask = K.cast(K.equal(y_true, interesting_class_id), 'int32') acc_mask = K.cast(K.equal(positive_mask, true_mask), 'float32') class_acc = K.mean(acc_mask) return class_acc return fn

Keras二进制精度度量标准提供了太高的精度

1 个答案: