Question

我正在尝试使用nn Keras模型对信用卡欺诈进行分类。由于数据集不平衡，我需要使用f1_score来改善召回。

显然，不接受f1s的定义。如何在每个时代监控我的新指标？如果使用val_loss而不是已定义的那些，则提前停止工作正常非常感谢您帮助解决我的问题。

我收到这个mesagge：

对139554个样本进行培训，对59810个样本进行验证大纪元1/10

7s - 损失：0.3585 - acc：0.9887 - val_loss：0.0560 - val_acc：0.9989 /home/libardo/anaconda3/lib/python3.6/site-packages/keras/callbacks.py:526:RuntimeWarning：提前停止以公制f1为条件，这是不可用的。可用的指标包括：val_loss，val_acc，loss，acc （self.monitor，'，'。join（list（logs.keys（）））），RuntimeWarning Here

备注：我无法在此处粘贴代码。我为此道歉。

Answer 1

我意识到这是很久以前发布的，但是我在寻找相同答案时发现了这个问题，并最终自己解决了。 简而言之，您需要记住在定义模型时既要定义EarlyStopping回调的指标，又要作为指标

好的，因此您已经定义了您的自定义损失函数或指标，如下所示（取自https://github.com/keras-team/keras/issues/10018，取自https://stackoverflow.com/a/45305384/5210098）

#https://stackoverflow.com/a/45305384/5210098
def f1_metric(y_true, y_pred):

    def recall(y_true, y_pred):
        true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
        possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
        recall = (true_positives + K.epsilon()) / (possible_positives + K.epsilon())
        return recall

    def precision(y_true, y_pred):
        true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
        predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
        precision = (true_positives + K.epsilon()) / (predicted_positives + K.epsilon())
        return precision

    precision = precision(y_true, y_pred)
    recall = recall(y_true, y_pred)
    return 2*((precision*recall)/(precision+recall+K.epsilon()))

现在，要将其与EarlyStopping回调一起使用，您可以将其提供为类似EarlyStopping(monitor='f1_metric')的字符串，或者使用EarlyStopping(monitor='val_f1_metric')来监视验证。

但这还不够！如果在此停留，您将得到错误提示。使用model.compile(metrics=[f1_metric])编译模型时，还需要提供实际函数作为参数。注意缺少引号-您正在引用函数本身。

如果通过使用metrics关键字包含函数来编译模型，并且还包含EarlyStopping回调，那么它应该可以正常工作。

EarlyStopping忽略了我定义的自定义指标。 Keras模型

1 个答案: