当损失为平均平方误差（MSE）时，什么功能定义了KERAS的准确性？

Question

当损耗函数是均为正方形误差时，如何定义准确性？是平均绝对百分比错误？

我使用的模型具有输出激活线性，并用 lose = mean_squared_error 编译

model.add(Dense(1))
model.add(Activation('linear'))  # number

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

，并且输出看起来像这样：

Epoch 99/100
1000/1000 [==============================] - 687s 687ms/step - loss: 0.0463 - acc: 0.9689 - val_loss: 3.7303 - val_acc: 0.3250
Epoch 100/100
1000/1000 [==============================] - 688s 688ms/step - loss: 0.0424 - acc: 0.9740 - val_loss: 3.4221 - val_acc: 0.3701

那么eg val_acc：0.3250是什么意思？ MANE_SQUARED_ERROR应该是标量而非百分比 - 不是吗？那么val_acc是平均平方错误还是平均百分比错误或其他功能？

根据MSE在Wikipedia上的定义： https://en.wikipedia.org/wikipedia.org/wiki/wiki/wiki/mean_squared_squared_eror_error

MSE是估算质量的量度，它始终是 非负，值接近零。

这是否意味着 val_acc的值：0.0 比 val_acc：0.325 更好？

编辑：训练时准确度量的输出的更多示例 - 随着我的训练，精度会提高。而损失功能 - MSE应减少。 MSE的准确性是否良好 - 如何在Keras中定义？

lAllocator: After 14014 get requests, put_count=14032 evicted_count=1000 eviction_rate=0.0712657 and unsatisfied allocation rate=0.071714
1000/1000 [==============================] - 453s 453ms/step - loss: 17.4875 - acc: 0.1443 - val_loss: 98.0973 - val_acc: 0.0333
Epoch 2/100
1000/1000 [==============================] - 443s 443ms/step - loss: 6.6793 - acc: 0.1973 - val_loss: 11.9101 - val_acc: 0.1500
Epoch 3/100
1000/1000 [==============================] - 444s 444ms/step - loss: 6.3867 - acc: 0.1980 - val_loss: 6.8647 - val_acc: 0.1667
Epoch 4/100
1000/1000 [==============================] - 445s 445ms/step - loss: 5.4062 - acc: 0.2255 - val_loss: 5.6029 - val_acc: 0.1600
Epoch 5/100
783/1000 [======================>.......] - ETA: 1:36 - loss: 5.0148 - acc: 0.2306

Answer 1

您的问题至少有两个单独的问题。

现在应该从史努比博士的评论和另一个答案的评论中清楚地表明第一个：准确性是在回归问题（例如您的回归问题）中毫无意义的；另请参阅patyork在

澄清了这一点后，另一个问题是：

因为Keras确实确实返回了“准确性”，即使在回归环境中，它到底是什么，它是如何计算的？

在这里发光，向公共数据集（由于您没有提供有关数据的任何详细信息），即波士顿房屋价格数据集（当地保存为 housing.csv ），并运行一个简单的实验，如下所示：

import numpy as np
import pandas
import keras

from keras.models import Sequential
from keras.layers import Dense

# load dataset
dataframe = pandas.read_csv("housing.csv", delim_whitespace=True, header=None)
dataset = dataframe.values
# split into input (X) and output (Y) variables
X = dataset[:,0:13]
Y = dataset[:,13]

model = Sequential()
model.add(Dense(13, input_dim=13, kernel_initializer='normal', activation='relu'))
model.add(Dense(1, kernel_initializer='normal'))
# Compile model asking for accuracy, too:
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

model.fit(X, Y,
     batch_size=5,
     epochs=100,
     verbose=1)

与您的情况一样，模型拟合历史记录（不适合）此处显示）显示损失的减少，精度大致增加。现在，使用适当的KERAS内置功能在同一训练集中评估模型性能：

score = model.evaluate(X, Y, verbose=0)
score
# [16.863721372581754, 0.013833992168483997]

Score 数组的确切内容取决于我们在模型汇编过程中确切要求的内容；在我们的情况下，第一个要素是损失（MSE），第二个要素是“准确性”。

在这一点。

def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

​然后检查一下其中有多少等于true标签 y_true ，然后才能获得平均值。

让我们使用普通Python＆amp;复制此操作。在我们的情况下，numpy代码为 y ：

y_pred = model.predict(X)
l = len(Y)
acc = sum([np.round(y_pred[i])==Y[i] for i in range(l)])/l
acc
# array([0.01383399])

嗯，宾果游戏！实际上，这是分数[1] 返回的相同值...

以简短的故事：因为您（错误地）请求 Metrics = ['fecice'] 在您的模型汇编中，keras将尽力而为为了满足您的需求，确实会返回一些“准确性”，如上所示，尽管在您的环境中完全没有意义。

---

在许多设置中，凯拉斯（Keras）在引擎盖下执行毫无意义的操作，而无需给出任何提示或警告。我碰巧遇到的两个是：

• 在多级设置中，一个碰巧 lose ='binary_crossentropy'（而不是 codecorical_crossentropy ）带有 metrics = ['准确性'] - 请参阅 keras binary_crossentropy vs cancorical_crossentropy绩效？和为什么binary_crossentropopy比exporical_crossentropy在keras中的多类分类？

  


• 在极端情况下，当一个人要求辍学率为1.0时 - 请参阅 （放下所有输入单元）不如预期

Answer 2

损耗函数（在这种情况下均方根误差）用于指示您的预测与目标值偏离多远。在训练阶段，根据此数量进行重量更新。如果您要处理分类问题，那么定义一个称为准确性的额外指标很常见。它在预测正确类别的情况下监视了多少个情况。这表示为百分比值。因此，值为0.0意味着没有正确的决定，而仅1.0仅正确的决定。
当您的网络正在训练时，损失正在减少，通常的准确性会增加。

请注意，与损失相反，准确性通常不用于更新网络的参数。它有助于监视网络的学习进度和当前的性能。

Answer 3

@desertnaut很清楚地说。

请考虑以下两部分代码

compile code < /a>

binary_accuracy code

def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)

您的Labels应该要整数，因为Keras不圆形 y_true ，并且您获得了很高的精度.......