keras 自定义 metrics

最新推荐文章于 2025-04-04 19:03:40 发布

weixin_34159110

最新推荐文章于 2025-04-04 19:03:40 发布

阅读量4.2k

点赞数 3

文章标签：人工智能

原文链接：https://yq.aliyun.com/articles/673462

版权

本文详细介绍如何在Keras中自定义评估指标，包括精度、召回率、F1分数等，通过具体函数实现并整合到模型编译过程，提升模型评估的灵活性与准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

自定义 Metrics

在 keras 中操作的均为 Tensor 对象，因此，需要定义操作 Tensor 的函数来操作所有输出结果，定义好函数之后，直接将其放在 model.compile 函数 metrics 中即可生效：

def precision(y_true, y_pred):
    # Calculates the precision
    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
    predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
    precision = true_positives / (predicted_positives + K.epsilon())
    return precision


def recall(y_true, y_pred):
    # Calculates the recall
    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
    possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
    recall = true_positives / (possible_positives + K.epsilon())
    return recall

def fbeta_score(y_true, y_pred, beta=1):
    # Calculates the F score, the weighted harmonic mean of precision and recall.

    if beta < 0:
        raise ValueError('The lowest choosable beta is zero (only precision).')
        
    # If there are no true positives, fix the F score at 0 like sklearn.
    if K.sum(K.round(K.clip(y_true, 0, 1))) == 0:
        return 0

    p = precision(y_true, y_pred)
    r = recall(y_true, y_pred)
    bb = beta ** 2
    fbeta_score = (1 + bb) * (p * r) / (bb * p + r + K.epsilon())
    return fbeta_score

def fmeasure(y_true, y_pred):
    # Calculates the f-measure, the harmonic mean of precision and recall.
    return fbeta_score(y_true, y_pred, beta=1)

使用方法如下：

model.compile( 
    optimizer=Adam(), 
    loss='binary_crossentropy',
    metrics = ['accuracy',  fmeasure, recall, precision])

参考

custom metrics for binary classification in Keras