多标签分类KERAS度量 [英] Multi-label classification Keras metrics
本文介绍了多标签分类KERAS度量的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!
问题描述
accuracy
或categorical_accuracy
?显然,在这种情况下,最后一个激活函数是sigmoid
,而AS损失函数是binary_crossentropy
。
推荐答案
我不会对类别不平衡的分类任务使用准确性。 尤其是对于多标签任务,您可能会认为您的大多数标签都是假的。也就是说,与所有可能的标签的基数相比,每个数据点只能有一小部分标签。 因此,准确性不是一个好的衡量标准,如果您的模型预测全部为假(Sigmoid激活输出<;0.5),则您将测量非常高的精度。
我将分析每个时期的AUC或召回/精度。 或者,多标签任务可以被视为排名任务(如推荐系统),您可以评估精度@k或召回@k,其中k是排名靠前的预测标签。
如果您的Kera后端是TensorFlow,请查看此处支持的指标的完整列表:https://www.tensorflow.org/api_docs/python/tf/keras/metrics。
这篇关于多标签分类KERAS度量的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持IT屋!
查看全文