Keras如何计算精度？

Keras如何计算精度？

您在这里有些困惑；您说的是准确性，同时显示了损失的公式。

您显示的方程式确实是二元分类的交叉熵损失公式（或简称为 logistic损失 ）。

y[i]

是标签，实际上是0或1。

p[i]

是预测，通常被解释为概率，是[0,1]中的实数（无舍入）。

现在对于每个而言

i

，总和中只有一个词会生存-第一个词何时消失

y[i] = 0

，第二个词何时消失

y[i] = 1

。

让我们看一些例子：

假设

y[0] = 1

，虽然我们已经预测了

p[0] = 0.99

（即相当不错的预测）。和的第二项消失（因为

1 - y[0] =0

），而第一项变为

log(0.99) = -0.01

；因此，此样本预测（

i=0

）对总损失的贡献为0.01（由于

-

总和前面的符号）。

现在假设下一个样本的真实标签再次为1，即

y[1] = 1

，但是在这里我们对；做出了较差的预测

p[1] =0.1

。再次，第二项消失了，现在这个预测对总损失的贡献为

-log(0.1) = 2.3

，确实比我们第一个良好的预测要大，这是我们应该直观地期望的。

作为最后一个示例，让我们假设

y[2] = 0

，并且我们在此做出了非常好的预测

p[2] = 0

。因此，第一项消失了，第二项变为

(1 - y[2]) * log(1 - p[2]) = 1 * log(1) = log(1) = 0

也就是说，正如我们直觉地期望的那样，我们没有损失的贡献，因为我们在这里做出了非常好的预测

i=2

。

逻辑损失公式仅计算各个预测的所有这些误差，将它们求和，然后除以其数量

n

。

但是，这是 损失
（即

scores[0]

在您的摘要中），而不是准确性。

损失和准确性是不同的东西；粗略地说，从 业务 角度来看，准确性是我们真正感兴趣的，而损失是学习算法（优化器）从 数学
角度试图使目标最小化的目标函数。更粗略地说，您可以将损失视为业务目标（准确性）对数学域的“转换”，这是分类问题中必不可少的转换（在回归问题中，损失和业务目标通常是损失）。相同，或至少原则上可以相同，例如RMSE）…

Keras会自动将我们的预测取整为0或1吗？

实际上是：为了计算准确性，我们在预测的概率中隐式设置了一个 阈值
（在二进制分类中通常为0.5，但是在高度不平衡的数据中可能有所不同）；因此，在中

model.evaluate

，Keras实际上将预测转换为1 `p[i]

0.5

，否则转换为0。然后，通过简单地对

y_true==y_pred`（正确预测）的情况进行计数并除以样本总数，就可以计算出准确度，从而得出[0,1]中的数字。

因此，总结一下：

• 损失 的计算没有四舍五入 __
• 有一个隐式阈值运算用于 精度 计算 __