Question

在建立loss模型时metrics，scoring和keras有什么区别？它们应该不同还是相同？在典型模型中，我们将所有三个用于GridSearchCV。

这是使用这三个模型的典型回归模型的快照。

def create_model():

 model = Sequential()
 model.add(Dense(12, input_dim=1587, activation='relu'))
 model.add(Dense(1, activation='sigmoid'))

 model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mean_squared_error'])
 return model

model = KerasRegressor(build_fn=create_model, verbose=0)
batch_size = [10, 20, 40, 60, 80, 100]
epochs = [10, 50, 100]
param_grid = dict(batch_size=batch_size, epochs=epochs)
grid = GridSearchCV(estimator=model,param_grid=param_grid, scoring='r2' n_jobs=-1)
grid_result = grid.fit(X, Y)

Answer 1

不，它们都是用于代码中不同目的的不同东西。

您的代码分为两部分。

1）Keras部分：

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

a）loss：在Compilation section of the documentation here中，您可以看到：

损失函数是模型试图达到的目标最小化。

因此，它实际上与optimizer一起用于实际训练模型

b）metrics：根据documentation：

度量函数类似于损失函数，除了训练模型时不使用评估指标的结果。

这仅用于报告度量标准，以便使用的（您）可以判断模型的性能。它不会影响模型的训练方式。

2）网格搜索部分：

scoring：再次检查the documentation

单个字符串或可调用项，用于评估测试集上的预测。

这用于查找您在param_grid中定义的参数组合，从而给出最佳的score。

根据您的需求，它们可以很好地（在大多数情况下）有所不同。

Keras的损失，指标和得分

1 个答案: