tf.keras.metrics.BinaryAccuracy函数

函数原型

tf.keras.metrics.BinaryAccuracy(
    name='binary_accuracy', 
    dtype=None, 
    threshold=0.5
)

函数说明

BinaryAccuracy函数用于计算二分类问题的准确率。

binary_accuracy的计算除了y_true和y_pred外，还有一个threshold参数，该参数默认为0.5。比如有6个样本，其y_true为[0, 0, 0, 1, 1, 0]，y_pred为[0.2, 0.3, 0.6, 0.7, 0.8, 0.1]，那么其binary_accuracy=5/6=87.5%。

具体计算方法为：
1）将y_pred中的每个预测值和threshold对比，大于threshold的设为1，小于等于threshold的设为0，得到y_pred_new=[0, 0, 1, 1, 1, 0]；
2）将y_true和y_pred_new代入到2.1中计算得到最终的binary_accuracy=87.5%。

函数使用

# y_true为one-hot形式的数据，[1, 0]对应的类型为0，[0, 1]表示对应的类型为1
# y_pred为经过softmax函数后各个类型的概率，[0.3, 0.7]表示类型0的概率为0.3，类型1的概率为0.7
>>> y_true = [[1, 0] ,[0, 1], [0, 1]]
>>> y_pred = [[0.3, 0.7], [0.6, 0.4], [0.2, 0.8]]
>>> accuracy = tf.keras.metrics.BinaryAccuracy()
>>> accuracy_calc = accuracy(y_true, y_pred)
>>> accuracy_calc
<tf.Tensor: shape=(), dtype=float32, numpy=0.33333334>

# y_true为整数形式的数据，0对应的类型为0，1对应的类型为1
# y_pred为经过sigmoid函数后的概率p，如果p>0.5，则对应类型1，如果p<0.5，则对应类型0
>>> y_true = [1, 1, 1]
>>> y_pred = [0.3, 0.8, 0.1]
>>> accuracy = tf.keras.metrics.BinaryAccuracy()
>>> accuracy_calc = accuracy(y_true, y_pred)
>>> accuracy_calc
<tf.Tensor: shape=(), dtype=float32, numpy=0.33333334>

>>> y_true = [0, 1, 1]
>>> y_pred = [0.3, 0.8, 0.1]
>>> accuracy = tf.keras.metrics.BinaryAccuracy()
>>> accuracy_calc = accuracy(y_true, y_pred)
>>> accuracy_calc
<tf.Tensor: shape=(), dtype=float32, numpy=0.6666667>