我目前正在使用 TensorFlow 解決多標簽分類問題（總共 9 個標簽），這是模型編譯行：
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
我的模型的y_true標簽由 2 個 1 和 7 個 0 組成（例如，[0,1,0,0,0,1,0,0,0]）。
我用TensorFlow嘗試了幾個模型，但是模型再復雜，準確率一直很差，準確率在0.3左右。
我想知道 Keras 準確性指標是否也適用于多標簽分類。例如，如果y_pred的概率值為 [0.1, 0.9, 0.3, 0.4, 0.5, 0.4, 0.3, 0.2, 0.1]，Keras 是否從y_pred 中選出前 2 個概率，將它們轉換為 [0, 1, 0, 0, 1, 0, 0, 0, 0] 然后將準確度與帶有y_true標簽的準確度進行比較？
如果沒有，我是否必須實作自己的指標功能？
提前致謝！
uj5u.com熱心網友回復：
通常，準確率顯示預測標簽的哪一部分與原始標簽匹配。
如官方檔案所述：
該指標創建了兩個區域變數，total 和 count，用于計算 y_pred與y_true匹配的頻率。該頻率最終以二進制精度回傳：一種冪等運算，只需將總數除以計數即可。
該指標顯示概率預測中與真實標簽相等的部分。
所述 tf.keras.metrics.BinaryAccuracy輪由一個給定的閾值（0.5默認情況下）的預測概率。因此，如果模型輸出為 [0.9, 0.3, 0.6]，則在與真實標簽進行比較之前，它將四舍五入為 [1, 0, 1]。
但是，準確度度量不僅會顯示預測的 1 與真實標簽匹配的位置，還會顯示 0 與 0 匹配的位置。在大多數情況下，它對多標簽問題不利，因為資料中 1 和 0 之間存在不平衡。在您的情況下，您的 0 比 1 多 3.5 倍。如果你的模型只輸出零，它確實是一個糟糕的模型，但由于原始標簽的 7/9 也是零，它馬上就會有 7/9 或幾乎 78% 的準確度。
我建議使用其他指標進行多標簽分類：
- Precision，顯示預測的 1 的哪一部分實際上是 1
- Recall，它顯示了實際 1 的哪一部分被“找到”并預測為 1
- F1 和 F-beta，它總結了精度和召回率
單獨來看，這些指標不會為您提供有關模型性能的太多資訊，因此最好將它們結合使用。您可以在sklearn 檔案和本文中閱讀有關它們的更多資訊。
就實作而言，Tensorflow 中有Precision和Recall 的官方實作，Tensorflow Addons 有F1Score和FBetaScore。
轉載請註明出處，本文鏈接：https://www.uj5u.com/gongcheng/352527.html