首页 文章

为什么在Keras的model.evaluate（）中，损失用于计算准确度？

提问于
浏览 次
0

这可能是一个愚蠢的问题但是：

我注意到损失函数的选择会修改评估期间获得的准确度 .

我认为损失仅在训练期间使用，当然，它取决于模型在预测中的优点，而不是准确性，即正确预测的数量超过样本总数 .

EDIT

我没有正确解释我的自我 .

我的问题是因为我最近训练了一个损失 binary_crossentropy 的模型，而来自model.evaluate（）的准确率为96％ . 但这不正确！我检查了"manually"，模型得到了预测总数的44％ . 然后我改为 categorical_crossentropy 然后准确性是正确的 .

MAYBE ANSWER 来自：another question

我发现了问题 . metrics = ['accuracy']自动从成本函数计算准确度 . 因此，使用binary_crossentropy显示二进制精度，而不是分类精度 . 使用categorical_crossentropy会自动切换到分类精度，现在它与使用model1.predict（）手动计算的相同 .

keras loss-function

3 回答

  • 0

    Keras根据您的损失功能选择使用性能指标 . 当您使用binary_crossentropy时，它虽然使用binary_accuracy，其计算方式与categorical_accuracy不同 . 如果您有多个输出神经元，则应始终使用categorical_crossentropy .

    回复于
  • 0

    该模型试图最小化所选择的损失函数 . 它会调整权重来执行此操作 . 不同的损失函数导致不同的权重 .

    这些权重确定了对样本总数进行了多少次正确预测 . 因此，选择损失函数会影响模型精度是正确的行为 .

    回复于
  • 1

    来自：another question

    我发现了问题 . metrics = ['accuracy']自动从成本函数计算准确度 . 因此，使用binary_crossentropy显示二进制精度，而不是分类精度 . 使用categorical_crossentropy会自动切换到分类精度，现在它与使用model1.predict（）手动计算的相同 .

    回复于

相关问题