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>