一,常用的内置评估指标
-
MeanSquaredError(平方差误差,用于回归,可以简写为MSE,函数形式为mse)
-
MeanAbsoluteError (绝对值误差,用于回归,可以简写为MAE,函数形式为mae)
-
MeanAbsolutePercentageError (平均百分比误差,用于回归,可以简写为MAPE,函数形式为mape)
-
RootMeanSquaredError (均方根误差,用于回归)
-
Accuracy (准确率,用于分类,可以用字符串"Accuracy"表示,Accuracy=(TP+TN)/(TP+TN+FP+FN),要求y_true和y_pred都为类别序号编码)
-
Precision (精确率,用于二分类,Precision = TP/(TP+FP))
-
Recall (召回率,用于二分类,Recall = TP/(TP+FN))
-
TruePositives (真正例,用于二分类)
-
TrueNegatives (真负例,用于二分类)
-
FalsePositives (假正例,用于二分类)
-
FalseNegatives (假负例,用于二分类)
-
AUC(ROC曲线(TPR vs FPR)下的面积,用于二分类,直观解释为随机抽取一个正样本和一个负样本,正样本的预测值大于负样本的概率)
-
CategoricalAccuracy(分类准确率,与Accuracy含义相同,要求y_true(label)为onehot编码形式)
-
SparseCategoricalAccuracy (稀疏分类准确率,与Accuracy含义相同,要求y_true(label)为序号编码形式)
-
MeanIoU (Intersection-Over-Union,常用于图像分割)
-
TopKCategoricalAccuracy (多分类TopK准确率,要求y_true(label)为onehot编码形式)
-
SparseTopKCategoricalAccuracy (稀疏多分类TopK准确率,要求y_true(label)为序号编码形式)
-
Mean (平均值)
-
Sum (求和)
- https://tensorflow.google.cn/api_docs/python/tf/keras/metrics
二,自定义品函数及使用
import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras import layers,models,losses,metrics # 函数形式的自定义评估指标 @tf.function def ks(y_true,y_pred): y_true = tf.reshape(y_true,(-1,)) y_pred = tf.reshape(y_pred,(-1,)) length = tf.shape(y_true)[0] t = tf.math.top_k(y_pred,k = length,sorted = False) y_pred_sorted = tf.gather(y_pred,t.indices) y_true_sorted = tf.gather(y_true,t.indices) cum_positive_ratio = tf.truediv( tf.cumsum(y_true_sorted),tf.reduce_sum(y_true_sorted)) cum_negative_ratio = tf.truediv( tf.cumsum(1 - y_true_sorted),tf.reduce_sum(1 - y_true_sorted)) ks_value = tf.reduce_max(tf.abs(cum_positive_ratio - cum_negative_ratio)) return ks_value y_true = tf.constant([[1],[1],[1],[0],[1],[1],[1],[0],[0],[0],[1],[0],[1],[0]]) y_pred = tf.constant([[0.6],[0.1],[0.4],[0.5],[0.7],[0.7],[0.7], [0.4],[0.4],[0.5],[0.8],[0.3],[0.5],[0.3]]) tf.print(ks(y_true,y_pred))
model.compile( loss="categorical_crossentropy", optimizer=keras.optimizers.Adam(lr=0.001), metrics=[keras.metrics.MeanIoU(num_classes=2),ks] )
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:tensorflow2.0 评估函数 - Python技术站