keras 自定义评价函数整理

自定义评价指标版本一（使用0.2作为阈值）：

import keras.backend as K

#precision

def selfPrecision(y_true, y_pred):

true_positives = K.sum(K.cast(K.greater(K.clip(y_true * y_pred, 0, 1), 0.20), 'float32'))

pred_positives = K.sum(K.cast(K.greater(K.clip(y_pred, 0, 1), 0.20), 'float32'))

precision = true_positives / (pred_positives + K.epsilon())

return precision

#recall

def selfRecall(y_true, y_pred):

true_positives = K.sum(K.cast(K.greater(K.clip(y_true * y_pred, 0, 1), 0.20), 'float32'))

poss_positives = K.sum(K.cast(K.greater(K.clip(y_true, 0, 1), 0.20), 'float32'))

recall = true_positives / (poss_positives + K.epsilon())

return recall

#f1-measure

def selfF1Score(y_true, y_pred):

p_val = selfPrecision(y_true, y_pred)

r_val = selfRecall(y_true, y_pred)

f_val = 2*p_val*r_val / (p_val + r_val)

return f_val

函数调用：

model.compile(optimizer=rms_prop, loss=“binary_crossentropy”, metrics=[selfPrecision, selfRecall, selfF1Score])

备注：代码里面做判断的时候使用了0.2作为阈值，个人理解这个需要结合自己实际情况进行修改

自定义评价指标版本二（使用0.5作为阈值）：

import keras.backend as K

#precision

def selfPrecision(y_true, y_pred):

true_positives = K.sum(K.cast(K.greater(K.clip(y_true * y_pred, 0, 1), 0.20), 'float32'))

pred_positives = K.sum(K.cast(K.greater(K.clip(y_pred, 0, 1), 0.20), 'float32'))

precision = true_positives / (pred_positives + K.epsilon())

return precision

#recall

def selfRecall(y_true, y_pred):

true_positives = K.sum(K.cast(K.greater(K.clip(y_true * y_pred, 0, 1), 0.20), 'float32'))

poss_positives = K.sum(K.cast(K.greater(K.clip(y_true, 0, 1), 0.20), 'float32'))

recall = true_positives / (poss_positives + K.epsilon())

return recall

#f1-measure

def selfF1Score(y_true, y_pred):

p_val = selfPrecision(y_true, y_pred)

r_val = selfRecall(y_true, y_pred)

f_val = 2*p_val*r_val / (p_val + r_val)

return f_val

函数调用：

model.compile(optimizer=rms_prop, loss=“binary_crossentropy”, metrics=[selfPrecision, selfRecall, selfF1Score])

备注：代码里面做判断的时候使用了0.5作为阈值，因为我的label只有0和1，预测的结果介于0和1之间，就是说只有预测值大于0.5，并且label为1的数据才算作TP

内容来源：

https://blog.csdn.net/qq_36142114/article/details/103159875?spm=1001.2014.3001.5502

自定义评价指标版本三：

from keras import backend

def rmse(y_true, y_pred):

return backend.sqrt(backend.mean(backend.square(y_pred - y_true), axis=-1))

函数调用：

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=[rmse])

内容来源：

https://www.bbsmax.com/A/6pdDVrwKJw/

留疑点：对于版本一与版本二，其区别仅仅在于判断的阈值不同，原文的作者使用0.2作为阈值，一直感觉非常奇怪，欢迎大家评论区讨论为何如此处理？