Keras实现计算测试集Accuracy,loss,Precision,Recall与F1

最新推荐文章于 2023-11-17 12:23:34 发布

EnthalpyE

最新推荐文章于 2023-11-17 12:23:34 发布

阅读量5.7k

点赞数 5

文章标签：深度学习神经网络 python

本文链接：https://blog.csdn.net/qq_42205739/article/details/117933958

版权

本文介绍了如何在Keras中计算测试集的Accuracy、Loss、Precision、Recall和F1分数。重点在于计算整个测试集的prediction，并提供了自定义Metrics的实现方法和测试结果。

摘要由CSDN通过智能技术生成

Keras实现计算测试集Accuracy,loss,Precision,Recall与F1

由于Precision,Recall与F1是模型对整体数据的的评估标准，所以，首先需要计算model对于整个测试集的Prediction，而不是一个batch上的，再对其求三个Metrics

计算测试集的prediction

记得先reshape数据；

def mktest(lines=None, size=(224, 224)):
    if lines == None:
        with open('../../../Metrics/cate.txt', 'r') as l:
            lines = l.readlines()
            l.close()
    img_dir = '../../../Metrics/imgs/'
    imgs = []
    gt = []
    for line in lines:
        imgs.append(img_dir + line.split(';')[0])
        gt.append(int(line.split(';')[1]))
    X_test = []
    Y_test = gt
    for il in imgs:
        img = cv2.imread(il)
        try:
            img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
        except:
            pass

        img = np.float32(img / 255)
        X_test.append(img)
    X_test = utils.resize_image(X_test, (224, 224))
    X_test = X_test.reshape(-1, 224, 224, 3)
    Y_test = np_utils.to_categorical(np.array(Y_test), num_classes=6)
    return X_test, Y_test

使用model.predict()计算预测值

def get_pre(Y_test, X_test):
    Y_pre = model.predict(X_test)
    np.savez('./data.npz', X_test, Y_test, Y_pre)
    return Y_pre

懒得一直计算的可以直接储存数据。

自定义计算Metrics

class myMetrics:
    def __init__(self, X_test, Y_test, model):
        self.model = model
        self.Y_test = Y_test
        self.X_test = X_test
        self.y_pred