具有 F1 分数的 Keras 多标签图像分类

Posted 2023-02-23

【中文标题】具有 F1 分数的 Keras 多标签图像分类

【英文标题】：Keras multi-label image classification with F1-score

【发布时间】：2019-10-12 10:23:19

【问题描述】：

我正在研究一个multi-label 图像分类问题，并根据系统预测标签和地面实况标签之间的F1-score 进行评估。

鉴于此，我应该使用loss="binary_crossentropy" 还是loss=keras_metrics.f1_score()，其中keras_metrics.f1_score() 取自这里：https://pypi.org/project/keras-metrics/？我有点困惑，因为我在网上找到的所有关于multi-label分类的教程都是基于binary_crossentropy损失函数，但这里我必须针对F1-score进行优化。

此外，我应该设置metrics=["accuracy"] 还是metrics=[keras_metrics.f1_score()]，或者我应该将其完全留空？

【问题讨论】：

你应该使用f1_score作为度量值，而不是损失函数。 损失函数，用于模型的训练以指导优化过程，和我们用来理解的（人类可解释的）metrics之间是有区别的模型的性能（即准确性）。更重要的一点是，损失函数通常应该是可微的，而大多数使用的度量函数都不是这种情况。 This answer 也可能会有所帮助。

所以，只是为了确认一下：我可以使用来自keras_metrics 包的f1_score 作为metrics=（人类interpretable），但对于loss=，我应该使用differentiable 函数。那么，F1-score 的以下differentiable 版本呢？ https://www.kaggle.com/rejpalcz/best-loss-function-for-f1-score-metric

我现在无法验证该损失函数，但如果它是 1) 可微分和 2) 最小化它意味着模型具有更高的准确度（即更高的度量值），那么一切都很好，你可以用它。另一点：确实，在 Keras 中使用度量 'accuracy' 来解决 多标签 分类问题可能会给你一个错误的信号，尤其是当唯一标签的数量很高时，因为它给出的值非常高值，因此您可能认为您的模型非常做得很好，但实际上可能并非如此。这就是为什么f1_score 是一个更好的指标。

"所以我猜 'accuracy' 不是在这里使用的正确 loss 函数，所以我绝对应该使用 f1_score。": 是的，但我猜你的意思是正确的度量函数;)

这几乎是正确的，唯一的例外是：“我必须找到/实现'1 - F1-score'的可微版本并将其用作损失函数” .实际上，这样做没有必要性，因为binary_crossentropy 可能也有效。但是，如果您能找到一个以某种方式直接以 f1-score 为目标的损失函数，并且在您的实验中它的性能优于 binary_crossentropy，那么一切都很好，您可以使用它来代替。但我建议您首先开始尝试最容易获得的选项：binary_crossentropy。

【参考方案1】：

基于user706838的回答...

使用https://www.kaggle.com/rejpalcz/best-loss-function-for-f1-score-metric中的f1_score

import tensorflow as tf
import keras.backend as K

def f1_loss(y_true, y_pred):

    tp = K.sum(K.cast(y_true*y_pred, 'float'), axis=0)
    tn = K.sum(K.cast((1-y_true)*(1-y_pred), 'float'), axis=0)
    fp = K.sum(K.cast((1-y_true)*y_pred, 'float'), axis=0)
    fn = K.sum(K.cast(y_true*(1-y_pred), 'float'), axis=0)

    p = tp / (tp + fp + K.epsilon())
    r = tp / (tp + fn + K.epsilon())

    f1 = 2*p*r / (p+r+K.epsilon())
    f1 = tf.where(tf.is_nan(f1), tf.zeros_like(f1), f1)
    return 1 - K.mean(f1)