zoukankan      html  css  js  c++  java
  • keras 分类回归 损失函数与评价指标

    1、目标函数

    (1)mean_squared_error / mse 均方误差,常用的目标函数,公式为((y_pred-y_true)**2).mean()
    (2)mean_absolute_error / mae 绝对值均差,公式为(|y_pred-y_true|).mean()
    (3) mean_absolute_percentage_error / mape公式为:(|(y_true - y_pred) / clip((|y_true|),epsilon, infinite)|).mean(axis=-1) * 100,和mae的区别就是,累加的是(预测值与实际值的差)除以(剔除不介于epsilon和infinite之间的实际值),然后求均值。
    (4)mean_squared_logarithmic_error / msle公式为: (log(clip(y_pred, epsilon, infinite)+1)- log(clip(y_true, epsilon,infinite)+1.))^2.mean(axis=-1),这个就是加入了log对数,剔除不介于epsilon和infinite之间的预测值与实际值之后,然后取对数,作差,平方,累加求均值。
    (5)squared_hinge 公式为:(max(1-y_truey_pred,0))^2.mean(axis=-1),取1减去预测值与实际值乘积的结果与0比相对大的值的平方的累加均值。
    (6)hinge 公式为:(max(1-y_truey_pred,0)).mean(axis=-1),取1减去预测值与实际值乘积的结果与0比相对大的值的的累加均值。
    (7)binary_crossentropy: 常说的逻辑回归, 就是常用的交叉熵函
    (8)categorical_crossentropy: 多分类的逻辑

    2、性能评估函数

    (1)binary_accuracy: 对二分类问题,计算在所有预测值上的平均正确率
    (2)categorical_accuracy:对多分类问题,计算再所有预测值上的平均正确率
    (3)sparse_categorical_accuracy:与categorical_accuracy相同,在对稀疏的目标值预测时有用
    (4)top_k_categorical_accracy: 计算top-k正确率,当预测值的前k个值中存在目标类别即认为预测正确
    (5)sparse_top_k_categorical_accuracy:与top_k_categorical_accracy作用相同,但适用于稀疏情况

    参考文献:

    【1】(Keras)——keras 损失函数与评价指标详解

  • 相关阅读:
    Git+GitHub+SaltStack
    系统运维
    Linux之Ubuntu
    TCP/IP 必知必会的十个问题
    Github常见操作和常见错误!
    Git钩子:自定义你的工作流
    Spring 梳理
    Spring 梳理
    Spring 梳理
    Spring boot 官网学习笔记
  • 原文地址:https://www.cnblogs.com/nxf-rabbit75/p/10496748.html
Copyright © 2011-2022 走看看