多标签分类 Keras 指标

Posted 2023-03-12

【中文标题】多标签分类 Keras 指标

【英文标题】：Multi-label classification Keras metrics

【发布时间】：2019-05-21 07:38:01

【问题描述】：

哪些指标更适合 Keras 中的多标签分类：accuracy 或 categorical_accuracy？显然最后一个激活函数是sigmoid，在这种情况下损失函数是binary_crossentropy。

【问题讨论】：

我不认为 'categorical_crossentropy' 适合多标签分类。

你说的是几节课？

有 18 个标签，而不是类，因为每个图像都有多个标签

请不要使用 categorical_accuracy 进行多标签分类，而是为您提供精度

【参考方案1】：

实际上，Keras 中没有名为 accuracy 的指标。当您在 Keras 中设置 metrics=['accuray'] 时，将根据使用的损失函数自动推断出正确的准确度指标。因此，由于您已使用 binary_crossentropy 作为损失函数，因此将选择 binary_accuracy 作为指标。

现在，在多标签分类任务中，您绝对应该选择 binary_accuracy 而不是 categorical_accuracy，因为类是相互独立的，并且每个类的预测应该独立于其他类的预测来考虑。

【讨论】：

我不认为binary_accuracy 很好，因为它会给你一种虚假的成就感。由于大多数标签将为零，如果您的模型预测大部分为零，那么您可以轻松地在binary_accuracy

上获得 95+%

@AkshayLAradhya 在解释binary_accuracy 的结果时需要考虑这一点，尤其是在标签数量较多的情况下。但是，无论如何，在多标签分类任务中categorical_accuracy 不是一个有效的选择。

这是不是多类问题。查看 OP cmets

@BoppityBop 我认为你让它太复杂了。通过多标签分类，我们指的是样本可能有零个、一个或多个标签（即在此上下文中也称为“类”）分配给它的问题。例如，图像中可能同时存在“狗”和“猫”的任务，因此模型应该预测“狗”和“猫”。如果只有“狗”，那么它应该只预测“狗”。 OP 评论中也明确说明了这一点：“有 18 个标签，而不是类，因为每个图像都有多个标签”。 “label”和“class”其实没有区别。

@BoppityBop 这取决于你想如何定义它们。在包含“狗”和“猫”的图像示例中，您可以说“此样本中同时存在狗和猫 类”或者您可以说“此样本可能是 用狗和猫标记”。因此，这种区别并没有告诉我们太多。而[分类]任务的定义很重要。您可以选择将“多标签分类”称为“多类分类”，将“多类分类”简称为“分类”。定义很重要。不过，我在回答中使用了通用定义。

【参考方案2】：

我不会将 Accuracy 用于具有不平衡类的分类任务。 特别是对于多标签任务，您的大部分标签可能都是 False。也就是说，与所有可能标签的基数相比，每个数据点只能有一小部分标签。 出于这个原因，准确度不是一个好的指标，如果您的模型预测所有 False（sigmoid 激活输出

我会分析每个时期的 AUC 或召回率/精度。 或者，可以将多标签任务视为排名任务（如推荐系统），您可以评估precision@k 或recall@k，其中k 是预测最高的标签。

如果您的 Keras 后端是 TensorFlow，请在此处查看支持的指标的完整列表：https://www.tensorflow.org/api_docs/python/tf/keras/metrics。