我试图在删除之前使用Keras提供的代码.这是代码:
def precision(y_true, y_pred):
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
precision = true_positives / (predicted_positives + K.epsilon())
return precision
def recall(y_true, y_pred):
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
recall = true_positives / (possible_positives + K.epsilon())
return recall
def fbeta_score(y_true, y_pred, beta=1):
if beta < 0:
raise ValueError('The lowest choosable beta is zero (only precision).')
# If there are no true positives, fix the F score at 0 like sklearn.
if K.sum(K.round(K.clip(y_true, 0, 1))) == 0:
return 0
p = precision(y_true, y_pred)
r = recall(y_true, y_pred)
bb = beta ** 2
fbeta_score = (1 + bb) * (p * r) / (bb * p + r + K.epsilon())
return fbeta_score
def fmeasure(y_true, y_pred):
return fbeta_score(y_true, y_pred, beta=1)
从我所看到的(我是一个业余爱好者),似乎他们使用正确的公式.但是,当我尝试将其用作训练过程中的指标时,我得到了val_accuracy,val_precision,val_recall和val_fmeasure的完全相等的输出.我相信即使公式正确也可能发生,但我相信这不太可能.对此问题的任何解释？谢谢
Pad*_*ddy 56
因为Keras 2.0指标f1,精度和召回已被删除.解决方案是使用自定义度量函数:
from keras import backend as K
def f1(y_true, y_pred):
def recall(y_true, y_pred):
"""Recall metric.
Only computes a batch-wise average of recall.
Computes the recall, a metric for multi-label classification of
how many relevant items are selected.
"""
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
recall = true_positives / (possible_positives + K.epsilon())
return recall
def precision(y_true, y_pred):
"""Precision metric.
Only computes a batch-wise average of precision.
Computes the precision, a metric for multi-label classification of
how many selected items are relevant.
"""
true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
precision = true_positives / (predicted_positives + K.epsilon())
return precision
precision = precision(y_true, y_pred)
recall = recall(y_true, y_pred)
return 2*((precision*recall)/(precision+recall+K.epsilon()))
model.compile(loss='binary_crossentropy',
optimizer= "adam",
metrics=[f1])
这个函数的返回行
return 2*((precision*recall)/(precision+recall+K.epsilon()))
通过添加常数epsilon来修改,以避免除以0.因此不会计算NaN.
Die*_*she 13
使用Keras度量函数不是计算F1或AUC或诸如此类的正确方法。
这样做的原因是，在验证的每个批处理步骤中都会调用度量函数。这样，Keras系统将计算批处理结果的平均值。那不是正确的F1分数。
这就是为什么F1分数从keras的度量函数中删除的原因。看这里：
正确的方法是使用自定义回调函数，如下所示：