Question

建立序列

simple_seq= [x for x in list(range(1000)) if x % 3 == 0]

重塑并拆分后

x_train, x_test shape = (159, 5, 1)
y_train, y_test shape = (159, 2)

型号

model = Sequential(name='acc_test')
model.add(Conv1D(
  kernel_size = 2,
  filters= 128,
  strides= 1,
  use_bias= True,
  activation= 'relu',
  padding='same', 
  input_shape=(x_train.shape[1], x_train.shape[2])))

model.add(AveragePooling1D(pool_size =(2), strides= [1]))
model.add(Flatten())
model.add(Dense(2))

optimizer = Adam(lr=0.001)
model.compile( optimizer= optimizer, loss= 'mse',  metrics=['accuracy'])

火车

hist = model.fit(
          x=x_train, 
          y = y_train, 
          epochs=100, 
          validation_split=0.2)

结果：

Epoch 100/100
127/127 [==============================] - 0s 133us/sample - loss: 0.0096 - acc: 1.0000 - val_loss: 0.6305 - val_acc: 1.0000

但是如果使用此模型进行预测：

x_test[-1:] = array([[[9981],
        [9984],
        [9987],
        [9990],
        [9993]]])

model.predict(x_test[-1:])
result is: array([[10141.571, 10277.236]], dtype=float32)

如果结果与事实相去甚远，结果是

，那么vall_acc如何为1


step    1          2
true [9996,      9999     ]
pred [10141.571, 10277.236]

Answer 1

准确度指标仅对分类任务有效。因此，如果您在回归任务中使用准确性作为度量标准，则报告的度量标准值可能根本无效。从您的代码中，我觉得您正在执行回归任务，因此不应使用它。

下面是您可以在Keras中用于回归问题的指标的列表。

Mean Squared Error: mean_squared_error, MSE or mse
Mean Absolute Error: mean_absolute_error, MAE, mae
Mean Absolute Percentage Error: mean_absolute_percentage_error, MAPE, mape
Cosine Proximity: cosine_proximity, cosine

您可以在link上了解一些理论，并在link上看到一些keras示例代码。

很抱歉，时间不多，但我相信这些链接确实会对您有所帮助。：）

Answer 2

根据您的真实/预测值和使用的损失范围-似乎您正在尝试解决回归问题，而不是分类。

因此，如果我对您的理解是正确的-您正在尝试根据输入预测两个数值-而不是预测两个类别中的哪一个对这些输入有效。

如果是这样-您不应使用准确性指标。因为它将仅比较每个输入样本/预测的最大输入索引（略有简化）。例如。 9996 <9999和10141.571 <10277.236。

精度度量val_acc是否可以信任？

2 个答案: