keras 类平均准确率 recall prediction的计算

最新推荐文章于 2022-10-17 18:38:09 发布
最新推荐文章于 2022-10-17 18:38:09 发布
阅读量4.7k 收藏 10
点赞数
分类专栏： keras keras 从入门开始
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013249853/article/details/89396695
版权

注意，这是在训练好之后，预测测试集，然后求类平均。来自在于

from sklearn.metrics import classification_report
import numpy as np

Y_test = np.argmax(y_test, axis=1) # Convert one-hot to index这里把onehot转成了整数[1,2,10,1,2,1]
y_pred = model.predict_classes(x_test)#这里假设你的GT标注也是整数 [1,2,10,1,2,1]
print(classification_report(Y_test, y_pred))

结果：

precision    recall  f1-score   support

      0       0.99      1.00      1.00       980
      1       0.99      0.99      0.99      1135
      2       1.00      0.99      0.99      1032
      3       0.99      0.99      0.99      1010
      4       0.98      1.00      0.99       982
      5       0.99      0.99      0.99       892
      6       1.00      0.99      0.99       958
      7       0.97      1.00      0.99      1028
      8       0.99      0.99      0.99       974
      9       0.99      0.98      0.99      1009

avg / total   0.99      0.99      0.99     10000

 

TinaO-O
关注
专栏目录
模型评估指标：准确率精确率召回率
程序员光剑
08-09 890
Model Evaluation Metrics: Accuracy, Precision, Recall 1. Background Introduction In the real
计算机视觉：让机器看见世界
程序员光剑
03-19 640
计算机视觉 (Computer Vision) 是指利用计算机系统来处理、分析和理解数字图像或视频流的过程。它涉及从数字图像中提取信息、建立图像模型、分析图像特征以及基于此信息做出决策等技术。随着计算机视觉技术的发展，它将在未来继续被广泛应用于各个领域。尤其是在深度学习技术的推进下，计算机视觉模型的精度不断提高，应用场景也不断扩大。同时，计算机视觉技术也将与其他技术相结合，如增强现实（AR）和虚拟现实（VR）技术，形成新的应用场景。计算机视觉是指利用计算机系统来处理、分析和理解数字图像或视频流的过程。
Keras实现CNN:手写数字识别准确率99.6%
qq_42370150的博客
03-07 1700
在安装过Tensorflow后，后安装Keras默认将TF作为后端，Keras实现卷积网络的代码十分简洁，而且keras中的callback类提供对模型训练过程中变量的检测方法，能够根据检测变量的情况及时的调整模型的学习效率和一些参数． 下面的例子，MNIST数据作为测试 import pandas as pd import numpy as np import matplotlib.pypl...
Keras.metrics中的accuracy总结
ghedhrjeerdjh的博客
03-18 658
转自：https://blog.csdn.net/qq_36588760/article/details/105689736 Keras.metrics中总共给出了6种accuracy accuracy 该accuracy就是大家熟知的最朴素的accuracy。比如我们有6个样本，其真实标签y_true为[0, 1, 3, 3, 4, 2]，但被一个模型预测为了[0, 1, 3, 4, 4, 4]，即y_pred=[0, 1, 3, 4, 4, 4]，那么该模型的accuracy=4/6=66.67%。
人工智能--Keras网络评估
看，好自为之的博客！！！
12-29 1233
掌握利用Keras评估神经网络性能的方法和掌握利用Keras保存与加载神经网络模型的方法
numpy模块中axis的理解——以np.argmax为例
Bubbliiiing的学习小课堂
08-22 6657
numpy模块中axis的理解——以np.argmax为例np.argmax参数数量及其作用axis不同情况的示例 np.argmax参数数量及其作用 np.argmax是用于取得数组中每一行或者每一列的的最大值。常用于机器学习中获取分类结果、计算精确度等。 函数如下： np.argmax( a, axis=None, out=None) 部分参数解释： a：输入矩阵； axis：对于...
tf.argmax()以及axis解析
热门推荐
萝卜虫的博客
04-23 6万+
用tensorflow做CNN_TEXT文本分类时，看到这个API，然后去官网查了一下，再看了一下别的资料，算是明白它的处理方式了。 首先，明确一点，tf.argmax可以认为就是np.argmax。 　　简单的说，tf.argmax就是返回最大的那个数值所在的下标。 这个很好理解，只是tf.argmax()的参数让人有些迷惑，比如，tf.argmax(array, 1)和tf.argmax(arr
Keras实现计算测试集Accuracy,loss,Precision,Recall与F1
qq_42205739的博客
06-15 5753
Keras实现计算测试集Accuracy,loss,Precision,Recall与F1计算测试集的prediction自定义计算Metrics测试结果全部代码 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)):
使用基于GAN的过采样技术提高非平衡COVID-19死亡率预测的模型准确性
TensorFlowNews
11-08 2695
作者|THILAKADIBOINA 编译|Flin 来源|analyticsvidhya 介绍 本文介绍了生成性对抗网络（Generative attersarial Networks，GAN）的使用，这是一种对真实的Covid-19数据进行过采样的技术，用于预测死亡率。这个故事让我们更好地理解数据准备步骤（如处理不平衡的数据）如何提高模型性能。 本文的数据和核心模型来自Celestine Iwendi、Ali Kashif Bashir、Atharva Peshkar最近的一项研究（2020年7月）“使用
IPython利用机器学习和深度学习技术来进行垃圾分类
最新发布
07-16
- **准确率**（Accuracy）：预测正确的样本数占总样本数的比例。 - **精确率**（Precision）：真正例占所有预测为正例的比例。 - **召回率**（Recall）：真正例占所有真实正例的比例。 - **F1分数**：精确率和召回率...
keras中计算precision和recall的一点思考
pldcat的博客
03-27 2388
需要对模型的precision和recall进行衡量，希望使用metrics在训练的时候将这两个指标体现出来。 keras2.0中已经删除了F1score、precision和recall的计算。按照[github上文章](https://github.com/keras-team/keras/issues/5400)的说法，可以自己编写batch_wise的precision和recall。自定义了如下的代码。 def precision(y_true,y_pred,n=0):#精准率 t
Python利用混淆矩阵计算分类任务中的准确率/召回率/F1值
张家四少
08-12 2万+
摘要 在深度学习的分类任务中，对模型的评估或测试时需要计算其在验证集或测试集上的预测精度（prediction/accuracy）、召回率（recall）和F1值。本文首先简要介绍如何计算精度、召回率和F1值，其次给出python编写的模块，可直接将该模块导入在自己的项目中，最后给出这个模块的实际使用效果。 混淆矩阵及P、R、F1计算原理 混淆矩阵 进行二分类或多分类任务中，对于预测的评估经常需要构建一个混淆矩阵来表示测试集预测类与实际类的对应关系，混淆矩阵横坐标表示实际的类，纵坐标表示预测的类。混
Keras框架神经网络算法训练MNIST分类准确率(实验)
公众号：瑞行AI
11-27 1万+
MNIST数据集信息参考：http://yann.lecun.com/exdb/mnist/index.html MNIST是手写数字0~10图片数据集，每一张图片包含28*28个像素。 MNIST训练数据集包含：（1.）60000张图片的像素信息，表示成一个[60000,28,28]的张量；（2.）60000张图片的标签信息，表示成一个[60000,10]的矩阵，因为图片的标签是介于0-9的数
混淆矩阵、准确率、F1和召回率的具体实现及混淆矩阵的可视化
a645676的博客
10-17 7146
混淆矩阵、准确率、精确率、召回率、F1的计算具体实现和混淆矩阵的可视化
使用keras和tensorflow进行minst数据集图像分类
koala_cola的博客
01-21 1286
1/18/2020 从word文档整理过来的时候图片复制不进来。晚一点补上 刚刚开始学习tensorflow，一些自己的理解有错请见谅。 下面区域可以不看，是一些说明、问题复现解决和建议 pip安装包只能在命令行下使用，不可以在python交互模式下使用。 我的实验环境是anaconda+tf1.5 keras2.2.4，实验时的fashion minst数据集是在load data()函数下在...
我的keras小例子及问题
wd1603926823的专栏
08-16 3万+
对951张图train  对89张test    4个类 from keras.preprocessing.image import ImageDataGenerator,img_to_array, load_img #旋转60度 随机平移、仿射变换 缩放 0.2的比例  datagen = ImageDataGenerator(rotation_range=60,width_shi
keras训练准确率和损失表现都非常好，预测时准确率和损失都非常差
weixin_42388228的博客
09-24 7721
问题简述： 使用相同模型 https://github.com/keras-team/keras/issues/6977 上面github上的讨论主要说明了model.fit和model
【深度学习】keras框架（tensorflow）下 在测试集上测试CNN模型的分类效果/准确率test_acc 的程序代码实现
weixin_43201920的博客
05-10 9069
2020/5/10 日记录 1 训练集，验证集，测试集的各自作用，相互关系，如何划分 参考： 1.为什么一定要分成三部分数据集 2.形象解释各自的作用 以上两个博客解释的非常清楚。值得注意的是： 首先用训练集训练出模型，然后用验证集验证模型（注意：这是一个中间过程，此时最好的模型还未选定），根据情况不断调整模型，选出其中最好的模型（验证误差用于指导我们选择哪个模型），记录最好的模型的各项设置，然后据此再用（训练集+验证集）数据训练出一个新模型，作为最终的模型，最后用测试集评估最终的模型。 由于验证集数据的信
keras多分类时如何计算每个类别的准确率
05-24
在 Keras 中，可以使用 `sklearn.metrics` 库中的 `classification_report` 函数来计算多分类任务中每个类别的准确率。 具体步骤如下： 1. 首先，使用模型对测试集进行预测，得到预测结果。 ```python y_pred = model.predict(X_test) ``` 2. 将预测结果转换为类别标签。 ```python y_pred = np.argmax(y_pred, axis=1) ``` 3. 计算每个类别的准确率。 ```python from sklearn.metrics import classification_report target_names = ['class 0', 'class 1', 'class 2', ..., 'class n'] # 类别名称 print(classification_report(y_test, y_pred, target_names=target_names)) ``` `classification_report` 函数会输出每个类别的精确度、召回率、F1 值和样本数量等信息。其中，精确度表示预测为该类别的样本中真正属于该类别的比例，召回率表示属于该类别的样本中被正确预测的比例，F1 值是精确度和召回率的加权调和平均数。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值