keras.metrics有五种accuracy,其使用的场景如下:

accuracy真实标签和模型预测均为标量,如真实标签为[0,1,1,0,2,0],模型输出的预测为[0,2,1,1,2,0],此时accuracy=4/6

categorical_accuracy​​​​​​​真实标签为onehot标签,模型预测为向量形式。如真实标签为[[0, 0, 1],
[0, 1, 0], [0, 1, 0], [1, 0, 0]],模型预测为[[0.1, 0.6, 0.3], [0.2, 0.7,
0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]],此时keras会自动将向量形式的标签转换为标量形式,例如将上面那个真实标签转换为[2, 1, 1, 0],将模型预测转换为[1, 1, 1, 0],然后再第一种accuracy计算方法。

sparse_categorical_accuracy​​​​​​​适用场景是真实标签为标量形式,模型预测为向量形式。如真实标签为[2,
1, 1, 0],模型预测为[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1],
[0.9, 0, 0.1]]。此时keras会自动将模型预测转换为标量形式,即将模型预测转换为[1, 1, 1,
0],然后再第一种accuracy计算方法。

binary_accuracy​​​​​​​适用于二分类情况。真实标签为标量,如[2, 1, 1,
0],模型预测为标量概率,如[0.6,0.7,0.6,0.9]。该方法有一个threshold参数,该参数默认为0.5。预测概率大于threshold的设为1,小于等于threshold的设为0。所以模型预测会由[0.6,0.7,0.6,0.9]转换为[1,1,1,1],然后再第一种accuracy计算方法。

top_k_categorical_accuracy​​​​​​​categorical_accuracy(第二种)将模型预测转为标量标签的原理是选取预测向量中的最大值所在索引位置作为预测标签,比如将[[0.1,
0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]转换为[1, 1, 1, 0],

后期将继续更新

keras.metrics有五种accuracy相关推荐

  1. keras.metrics中各种metric的区别

    (一)keras.metrics有五种accuracy https://blog.csdn.net/weixin_44866160/article/details/106437277?utm_medi ...

  2. keras.metrics中的accuracy

    keras.metrics有六种accuracy,其使用的场景如下: accuracy 真实标签和模型预测均为标量,如真实标签为[0,1,1,0,2,0],模型输出的预测为[0,2,1,1,2,0], ...

  3. tf.keras.metrics.Accuracy;tf.keras.metrics.Precision;tf.keras.metrics.Recall

    tf.keras.metrics.Accuracy:tf.keras.metrics.Precision:tf.keras.metrics.Recall 当标签为0/1,而prediction为(0, ...

  4. Keras 和 Tensorflow 框架下五种视频分类

    目前视频分类是机器学习模式中独树一帜的挑战.今天我们就要来看看在Keras 和 Tensorflow 框架下的不同的视频行为识别策略,我们将会学着如何使用五深度学习的模式去学习UCF101数据组,具体 ...

  5. 机器学习常用的五种预测结果评价

    引言: 机器学习和深度学习的广泛应用,人们对回归预测/分类预测的结果评估的重视,为此总结了五种常用的模型结果评估方法,并简要做一些说明,RMSE.MAE.Accuracy.R2.var等五种评估方法, ...

  6. c调用python keras模型_使用TensorFlow 2.0创建Keras模型的三种方法

    TensorFlow 2.0和tf.keras提供了三种方式来实现神经网络模型:Sequential API Functional API Model subclassing 下面我将分别使用这三种方 ...

  7. TensorFlow2.0: keras.metrics的使用

    keras.metrics中有两个api函数可以简化准确率acc和损失值loss的计算.其分别是metrics.Accuracy( )和metrics.Mean( ). 一.建立测量尺 #建立测量尺 ...

  8. 五种经典卷积神经网络

    LeNet AlexNet VGGNet InceptionNet ResNet 小结 本文使用六步法分别实现LeNet(1998).AlexNet(2012).VGGNet(2014).Incept ...

  9. StatsD 五种类型数据发送形式拟测试

    statsd 五种类型数据发送形式拟测试 StatsD Metric Types Counting gorets:1|c This is a simple counter. Add 1 to the ...

最新文章

  1. from . import_python首行代码import *,from * import * 解析
  2. R语言偏相关或者部分相关性系数计算实战:通过拟合两个回归模型、或者pysch包计算偏相关系数(Partial Correlation)、通过方差分析获得偏相关系数的F统计量(偏F检验、二型检验)
  3. int的长度_Java中String长度有限制吗?身边的同事每一个人知道!
  4. count 数字计数(bzoj 1833)
  5. OSI七层-相关协议
  6. RTT时钟管理篇——软硬定时器理解(二)
  7. Vue的基础认知一---构建环境/v指令的使用
  8. 你是否需要安全运营中心?
  9. 生鲜APP软件功能开发
  10. 解读LED灯具中国能效认证
  11. 2019 Multi-University Training Contest 6 1005 Snowy Smile —— 线段树
  12. git在回退版本时HEAD~和HEAD^的作用和区别
  13. 我的未来作文计算机行业,我的未来职业畅想作文
  14. aws mysql 升级_aws RDS 版本升级最佳实践的探讨
  15. 移远EC25-xxx国外支持列表
  16. 简述组装计算机硬件流程,计算机硬件组装的步骤有哪些?
  17. css实现文字的水平垂直居中
  18. 当“互联网+”遇上“新零售”,卖1000万杯咖啡有何难?
  19. 一文玩转 WebDriver API
  20. bootstrap pagewrapper_Bootstrap Metronic完全响应式管理模板之菜单栏学习笔记

热门文章

  1. Python实战项目23个实战小项目小程序简单
  2. Fluent的融化凝固模型介绍
  3. mysql 用update insert_mysql 一些insert/update的用法
  4. 无法解析大于号和小于号
  5. 学习笔记TF058:人脸识别
  6. Android——一个简单的音乐APP(二)
  7. python快速入门神器 知乎_太香了!墙裂推荐6个Python数据分析神器!!
  8. 微信小程序支付 php后台
  9. java控制鼠标操作一些重复的事情
  10. python|简单实现英文单词大小写转化