29、基于前馈神经网络的灌丛识别模型构建与评估

基于前馈神经网络的灌丛识别模型构建与评估

1. 模型拟合准备

在完成训练数据的重新缩放和类别权重的计算后，我们就可以进入建模过程了。简单模型能以较低成本提供稳定的性能，而更先进的复杂模型虽然在准确性上表现更好，但会增加成本和复杂性。这里我们将使用TensorFlow库的Keras模块来拟合一个相对简单的前馈神经网络。

为了评估模型的性能，我们需要计算多个不同的指标。对于分类模型的评估较为复杂，因为模型的优先级和目标决定了什么是“更好”的模型，评估指标也会因建模目标而异。例如，对于检测信用卡欺诈或疾病筛查等罕见但重要事件的模型，可能会优先捕获尽可能多的“阳性”案例，即使这意味着增加模型的“假阳性”分类数量；而预测股票投资决策的模型可能更倾向于只预测“稳赚”的情况，愿意产生更多的假阴性以避免在不良投资上花钱。

在我们的灌丛分类问题中，由于灌丛是相对罕见的土地覆盖类型，我们愿意接受一些假阳性，以确保尽可能多地捕获灌丛区域。同时，我们希望灌丛预测尽可能精确，当模型将一个像素分类为“灌丛”时，我们能有较高的把握它确实是灌丛像素。因此，我们将计算多个模型指标，并特别关注精度（Precision）和PRC（精确 - 召回曲线下的面积）来解释和理解模型结果。

以下是我们定义的用于评估模型的指标：

import tensorflow.keras as keras

metrics = [
    keras.metrics.TruePositives(name="True_Positives"),
    keras.metrics.FalsePositives(name="False_Posit