在 keras 模型指标中使用简单的“准确性”进行多类分类在技术上是错误的吗？我们应该使用 CategoricalAccuracy() 吗？

Posted 2023-03-13

【中文标题】在 keras 模型指标中使用简单的“准确性”进行多类分类在技术上是错误的吗？我们应该使用 CategoricalAccuracy() 吗？

【英文标题】：Is it technically wrong to use simple "accuracy" in keras model metrics for multi-class classification? Should we use CategoricalAccuracy()?

【发布时间】：2021-02-11 04:29:32

【问题描述】：

因此，根据 Keras 的定义，简单的“准确度”指标比较 2 个标记的类是正确的。 代码sn-p

        ---------some model layers---------.
        model.add(Dense(len(all_labels), name="output", activation = 'softmax'))
        METRICS = ['accuracy', tf.keras.metrics.CategoricalAccuracy() , tf.keras.metrics.AUC(), 'mae']
        model.compile(optimizer = 'adam', loss = 'binary_crossentropy',
                           metrics = METRICS)

我正在尝试解决多类图像识别问题（7类，互斥）（一个数据点只属于一个类），使用one-hot编码和Output Softmax Activation用于Multi-class（是这是正确的还是我应该选择 Sigmoid？）。 损失函数是二元交叉熵（分类交叉熵用于多标签相互包容）。 那么这里适用的准确度指标是什么？ 'accuracy' 还是 categoricalAccuracy()？

示例输出--> 显示“准确度”很高，但 categoricalAccuracy 很差

Epoch 1/10
 99/100 [============================>.] - ETA: 4s - loss: 0.5722 - acc: 0.8334 - categorical_accuracy: 0.1504 - auc_2: 0.5117 - mean_absolute_error: 0.2434

如果这个模型在分类准确率方面很差，如何让它变得更好？

【参考方案1】：

您应该使用 CategoricalAccuracy。它适用于 one-hot 标签和类的预测 logits。

我认为您应该使用 CategoricalCrossentropy 作为损失函数。当你有两个类时使用 BinaryCrossentropy。