keras评估模型

当创建好模型并且用来训练之后，如何评估模型的好坏，准确度又如何呢？

三种常用方法：

1、使用自动验证方法

在 fit 函数中增加一个validation_split参数，该参数用来进行验证效果

该参数可以自由设置，一般设置为20%或者30%。也就是测试集占总数据集的20%或者30%的数据用来进行验证，其余用来进行训练

2、人工设定

这里使用到了scikit-learn机器学习库中的train_test_split()函数，将数据集分为训练集和测试集，具体如下：

x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.3,random_state=seed)

3、使用交叉验证

这里用的专业术语为k_fold cross validation，同样是scikit-learn中的函数

这个过程就是将数据进行分类，分为n个fold（层），然后用一个循环，不停地创建模型，编译，拟合。直到n个层全部跑完结束

代码如下：

kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=seed)
cvscores = []
for train, test in kfold.split(X, Y):
  # create model
	model = Sequential()
	model.add(Dense(12, input_dim=8, activation='relu'))
	model.add(Dense(8, activation='relu'))
	model.add(Dense(1, activation='sigmoid'))
	# Compile model
	model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
	# Fit the model
	model.fit(X[train], Y[train], epochs=150, batch_size=10, verbose=0)
	# evaluate the model
	scores = model.evaluate(X[test], Y[test], verbose=0)
	print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
	cvscores.append(scores[1] * 100)
print("%.2f%% (+/- %.2f%%)" % (numpy.mean(cvscores), numpy.std(cvscores)))

以上代码将数据集分为kfold，分割参数为10，随机分（shuffle），然后建立一个list（cvscores），将获取到的评估结果保存