Keras - Precision 和 Recall 大于 1（多分类）

Posted 2023-03-13

【中文标题】Keras - Precision 和 Recall 大于 1（多分类）

【英文标题】：Keras - Precision and Recall is greater than 1 (Multi classification)

【发布时间】：2018-08-07 17:34:21

【问题描述】：

我正在使用 keras 中的 CNN 解决多分类问题。我的准确率和召回率总是超过 1，这根本没有任何意义。下面附上我的代码，我做错了什么？

def recall(y_true, y_pred):
     true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
     possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))
     recall = true_positives / (possible_positives + K.epsilon())
     return recall

def precision(y_true, y_pred):
    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))
    predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))
    precision = true_positives / (predicted_positives + K.epsilon())
    return precision

model.compile(loss='categorical_crossentropy', optimizer='Adam', metrics=['accuracy',recall,precision])

【问题讨论】：

在多类设置中，你如何计算真阳性和可能阳性。您是否明智地按标签执行此操作？

嗨 Vivek，感谢您回来。精确度和召回率分数被计算为批量平均。我刚刚注意到的另一件事是，我没有一次性对我的 10 个标签进行编码。我只是使用了 0-9 的数值。这也可能是问题吗？

【参考方案1】：

我能够弄清楚这一点。一旦您对所有分类标签进行一次性编码，上述代码就可以完美运行。此外，请确保您没有将 sparse_categorical_crossentropy 作为损失函数，而只需使用 categorical_crossentropy。

如果您希望在 Keras 中将分类值转换为 one-hot 编码值，您可以使用以下代码：

from keras.utils import to_categorical
y_train = to_categorical(y_train)

您必须执行上述操作的原因在 Keras 文档中有所说明：

"当使用 categorical_crossentropy 损失时，你的目标应该是分类格式（例如，如果你有 10 个类，每个样本的目标应该是一个全零的 10 维向量，除了对应索引处的 1到样本的类）。为了将整数目标转换为分类目标，您可以使用 Keras 实用程序 to_categorical"