keras.metrics有六种accuracy,其使用的场景如下:
-
accuracy
真实标签和模型预测均为标量,如真实标签为[0,1,1,0,2,0],模型输出的预测为[0,2,1,1,2,0],此时accuracy=4/6
-
categorical_accuracy
真实标签为onehot标签,模型预测为向量形式。如真实标签为[[0, 0, 1], [0, 1, 0], [0, 1, 0], [1, 0, 0]],模型预测为[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]],此时keras会自动将向量形式的标签转换为标量形式,例如将上面那个真实标签转换为[2, 1, 1, 0],将模型预测转换为[1, 1, 1, 0],然后再第一种accuracy计算方法。
-
sparse_categorical_accuracy
适用场景是真实标签为标量形式,模型预测为向量形式。如真实标签为[2, 1, 1, 0],模型预测为[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]。此时keras会自动将模型预测转换为标量形式,即将模型预测转换为[1, 1, 1, 0],然后再第一种accuracy计算方法。
-
binary_accuracy
适用于二分类情况。真实标签为标量,如[2, 1, 1, 0],模型预测为标量概率,如[0.6,0.7,0.6,0.9]。该方法有一个threshold参数,该参数默认为0.5。预测概率大于threshold的设为1,小于等于threshold的设为0。所以模型预测会由[0.6,0.7,0.6,0.9]转换为[1,1,1,1],然后再第一种accuracy计算方法。
-
top_k_categorical_accuracy
categorical_accuracy(第二种)将模型预测转为标量标签的原理是选取预测向量中的最大值所在索引位置作为预测标签,比如将[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]转换为[1, 1, 1, 0],而top_k_categorical_accuracy将模型预测转为标量标签的原理是选取预测向量中的最大的k个值所在索引位置作为预测标签,比如当k=2时,将[[0.1, 0.6, 0.3], [0.2, 0.7, 0.1], [0.3, 0.6, 0.1], [0.9, 0, 0.1]]转换为[[1,2], [0,1], [0,1], [0,2]],只要真实标签在预测标签内,即算预测正确。
- sparse_top_k_categorical_accuracy
和top_k_categorical_accuracy功能一样,但此时真实标签为标量形式。