如何在Keras中将损失函数指定为二次加权kappa？

如何在Keras中将损失函数指定为二次加权kappa？

cohen_kappa_score

在Keras中实现参数化的自定义损失函数（）有两个步骤。由于已实现了满足您需求的功能，因此您无需自己实现它。但是，根据TensorFlow文档，

sklearn.metrics.cohen_kappa_score

不支持加权矩阵。因此，我建议TensorFlow的cohen_kappa实现。但是，在Keras中使用TensorFlow并非易事…根据此问题，他们曾经

control_dependencies

在Keras中使用TensorFlow指标。这是一个例子：

import keras.backend as Kdef _cohen_kappa(y_true, y_pred, num_classes, weights=None, metrics_collections=None, updates_collections=None, name=None):   kappa, update_op = tf.contrib.metrics.cohen_kappa(y_true, y_pred, num_classes, weights, metrics_collections, updates_collections, name)   K.get_session().run(tf.local_variables_initializer())   with tf.control_dependencies([update_op]):      kappa = tf.identity(kappa)   return kappa

由于Keras损失函数采用

(y_true,y_pred)

参数，因此需要一个包装函数，该包装函数返回另一个函数。这是一些代码：

def cohen_kappa_loss(num_classes, weights=None, metrics_collections=None, updates_collections=None, name=None):   def cohen_kappa(y_true, y_pred):      return -_cohen_kappa(y_true, y_pred, num_classes, weights, metrics_collections, updates_collections, name)   return cohen_kappa

最后，您可以在Keras中如下使用它：

# get the loss function and set parametersmodel_cohen_kappa = cohen_kappa_loss(num_classes=3,weights=weights)# compile modelmodel.compile(loss=model_cohen_kappa,          optimizer='adam', metrics=['accuracy'])

关于将Cohen-
Kappa度量用作损失函数。通常，可以将加权kappa用作损失函数。这是一篇使用加权kappa作为损失函数进行多类别分类的论文。