我正在用Keras制作深度学习ML模型。
我的任务是根据以下内容对某人的评分：1-10中3个不同类别的得分（例如，对于给定的人，输出必须是3的得分1-10个得分）人的不同属性，例如身高，体重，运动等。对于训练集，我得到了一些具有其属性和标签的人作为3分数。
在我的模型中，我对输出使用一种热矢量编码。也就是说，我制作了3x10=30个输出神经元，其中每个神经元分别表示一个特定的类别和得分（我使用categorical_crossentropy损失函数，因此我在每个神经元中得到1或0作为输出，然后将其转换回来查看预测分数。
我的问题是我无法理解在这种情况下应使用哪种精度指标。我需要与实际成绩相同的趋势。有关该指标的任何建议（也可以是一个自定义指标）。
输出示例：
Category A score: 5
Category B score: 3
Category C score: 7
Output Vector: 00001 00000 00100 00000 00000 01000
（向量上方的空格只是为了便于阅读）
答案 0 :(得分：0)
您可以使用三个类别损失函数的加权和。假设对于类别i，i \in {1, 2, 3}，损失为l_i，则度量可以为\alpha_1 * l_1 + \alpha_2 * l_2 + \alpha_3 * l_3，其中\alpha_i是类别{{1}的权重}，您可以根据类别的重要性进行调整。对于损失，您有很多选择。这是因为，如keras文档here中所述，“您可以将任何损失函数用作度量函数。”。
但是，有一个问题，当您拥有一个评分系统（例如您的问题的评分从1到9）时，如果标签为9并且模型预测为8，则比模型预测为1要好但是，看起来这不是您对系统建模的方式所掌握的。因此，您可以将i损失函数用于概率（softmax输出），也可以使用categorical_crossentropy损失函数。