首页 文章

使用Keras评估模型时的测试分数与测试准确性

提问于
浏览 次
9

我使用Keras库实现的神经网络以及下面是训练期间的结果 . 最后，它打印测试分数和测试准确性 . 我无法确切地知道得分代表什么，但我认为准确度是运行测试时正确的预测数量 .

大纪元1/15 1200/1200 [==============================] - 4s - 损失：0.6815 - acc：0.5550 - val_loss：0.6120 - val_acc：0.7525 Epoch 2/15 1200/1200 [==============================] - 3s - 损失：0.5481 - acc：0.7250 - val_loss：0.4645 - val_acc：0.8025 Epoch 3/15 1200/1200 [=========================== ===] - 3s - 损失：0.5078 - acc：0.7558 - val_loss：0.4354 - val_acc：0.7975 Epoch 4/15 1200/1200 [==================== ==========] - 3s - 损失：0.4603 - acc：0.7875 - val_loss：0.3978 - val_acc：0.8350 Epoch 5/15 1200/1200 [============= =================] - 3s - 损失：0.4367 - acc：0.7992 - val_loss：0.3809 - val_acc：0.8300 Epoch 6/15 1200/1200 [====== ========================] - 3s - 损失：0.4276 - acc：0.8017 - val_loss：0.3884 - val_acc：0.8350 Epoch 7/15 1200/1200 [==============================] - 3s - 损失：0.3975 - acc：0.8167 - val_loss：0.3666 - val_acc：0.8400 Epoch 8/15 1200/1200 [==============================] - 3s - 损失：0.3916 - acc：0.8183 - val_loss：0.3753 - val_acc：0.845 0 Epoch 9/15 1200/1200 [==============================] - 3s - 损失：0.3814 - acc：0.8233 - val_loss：0.3505 - val_acc：0.8475 Epoch 10/15 1200/1200 [==============================] - 3s - 损失：0.3842 - acc：0.8342 - val_loss：0.3672 - val_acc：0.8450 Epoch 11/15 1200/1200 [=========================== ===] - 3s - 损失：0.3674 - acc：0.8375 - val_loss：0.3383 - val_acc：0.8525 Epoch 12/15 1200/1200 [==================== ==========] - 3s - 损失：0.3624 - acc：0.8367 - val_loss：0.3423 - val_acc：0.8650 Epoch 13/15 1200/1200 [============= =================] - 3s - 损失：0.3497 - acc：0.8475 - val_loss：0.3069 - val_acc：0.8825 Epoch 14/15 1200/1200 [====== ========================] - 3s - 损失：0.3406 - acc：0.8500 - val_loss：0.2993 - val_acc：0.8775 Epoch 15/15 1200/1200 [==============================] - 3s - 损失：0.3252 - acc：0.8600 - val_loss：0.2960 - val_acc：0.8775 400/400 [==============================] - 0s考试成绩：0.299598811865考试准确度：0.88

看着Keras documentation，我仍然不明白得分是多少 . 对于评估函数，它说：

返回测试模式下模型的损失值和指标值 .

我注意到的一件事是，当测试精度较低时，分数较高，而当准确度较高时，分数较低 .

neural-network keras

2 回答

  • 9

    供参考，代码的两个相关部分：

    model.compile(loss='binary_crossentropy',
              optimizer='adam',
              metrics=['accuracy'])

score, acc = model.evaluate(x_test, y_test,
                            batch_size=batch_size)
print('Test score:', score)
print('Test accuracy:', acc)

    Score is the evaluation of the loss function for a given input.

    培训网络正在寻找最小化损失函数（或成本函数）的参数 .

    这里的成本函数是 binary_crossentropy .

    对于目标T和网络输出O，二进制交叉熵可以定义为

    f（T，O）= - （T * log（O）（1-T）* log（1-O））

    所以你看到的分数是对它的评价 .

    如果你给它输入一批输入，它很可能会返回平均损失 .

    所以是的，如果你的模型具有较低的损失（在测试时），它通常应该具有较低的预测误差 .

    回复于
  • 1

    在训练过程中经常使用损失来找到模型的“最佳”参数值（例如神经网络中的权重） . 您尝试通过更新权重来优化培训 .

    从应用的角度来看，准确性更高 . 找到上述优化参数后，您可以使用此指标评估模型预测与真实数据的准确度 .

    这个答案提供了详细信息：

    How to interpret "loss" and "accuracy" for a machine learning model

    回复于

相关问题