4、基于Keras的图像分类与回归模型构建与优化

基于Keras的图像分类与回归模型构建与优化

1. 性能指标与数据集准备

在机器学习模型评估中，ROC曲线下面积（AUC）常被用作综合性能指标。通过改变阈值，可以得到不同的精确率和召回率。通常，我们会在独立的评估数据集上报告这些指标，以验证模型是否只是记住了训练数据的答案。

为了训练线性模型，我们需要准备训练数据集和评估数据集。以下是获取这两个数据集的代码：

train_dataset = (tf.data.TextLineDataset(
    "gs://cloud-ml-data/img/flower_photos/train_set.csv").
    map(decode_csv)).batch(10)
eval_dataset = (tf.data.TextLineDataset(
    "gs://cloud-ml-data/img/flower_photos/eval_set.csv").
    map(decode_csv)).batch(10)

其中， decode_csv 函数用于读取和解码JPEG图像：

def decode_csv(csv_row):
    record_defaults = ["path", "flower"]
    filename, label_string = tf.io.decode_csv(csv_row, record_defaults)
    img = read_and_decode(filenam