当损失为均方误差 (MSE) 时，什么函数定义了 Keras 中的准确性？
What function defines accuracy in Keras when the loss is mean squared error (MSE)?
损失函数为均方误差时Accuracy如何定义？是mean absolute percentage error吗？
我使用的模型具有输出激活线性并且使用loss= mean_squared_error
编译
model.add(Dense(1))
model.add(Activation('linear')) # number
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
输出如下所示：
Epoch 99/100
1000/1000 [==============================] - 687s 687ms/step - loss: 0.0463 - acc: 0.9689 - val_loss: 3.7303 - val_acc: 0.3250
Epoch 100/100
1000/1000 [==============================] - 688s 688ms/step - loss: 0.0424 - acc: 0.9740 - val_loss: 3.4221 - val_acc: 0.3701
那么，例如val_acc: 0.3250 是什么意思？ Mean_squared_error 应该是标量而不是百分比 - 不应该吗？ val_acc - 均方误差、平均百分比误差或其他函数也是如此吗？
来自维基百科上对 MSE 的定义：https://en.wikipedia.org/wiki/Mean_squared_error
The MSE is a measure of the quality of an estimator—it is always
non-negative, and values closer to zero are better.
这是否意味着 val_acc: 0.0 的值优于 val_acc: 0.325？
编辑：我训练时准确度指标输出的更多示例 - 随着我训练得更多，准确度会提高。而损失函数 - mse 应该减少。 mse 的准确度定义是否明确 - 在 Keras 中如何定义？
lAllocator: After 14014 get requests, put_count=14032 evicted_count=1000 eviction_rate=0.0712657 and unsatisfied allocation rate=0.071714
1000/1000 [==============================] - 453s 453ms/step - loss: 17.4875 - acc: 0.1443 - val_loss: 98.0973 - val_acc: 0.0333
Epoch 2/100
1000/1000 [==============================] - 443s 443ms/step - loss: 6.6793 - acc: 0.1973 - val_loss: 11.9101 - val_acc: 0.1500
Epoch 3/100
1000/1000 [==============================] - 444s 444ms/step - loss: 6.3867 - acc: 0.1980 - val_loss: 6.8647 - val_acc: 0.1667
Epoch 4/100
1000/1000 [==============================] - 445s 445ms/step - loss: 5.4062 - acc: 0.2255 - val_loss: 5.6029 - val_acc: 0.1600
Epoch 5/100
783/1000 [======================>.......] - ETA: 1:36 - loss: 5.0148 - acc: 0.2306
损失函数（在本例中为均方误差）用于指示您的预测与目标值的偏离程度。在训练阶段，权重根据这个数量进行更新。如果您正在处理 class 化问题，定义一个称为准确性的附加指标是很常见的。它监控在多少情况下预测了正确的 class。这表示为百分比值。因此，值 0.0 表示没有正确的决定，而 1.0 仅表示正确的决定。
当您的网络正在训练时，损失会减少，而准确度通常会增加。
请注意，与损失相反，准确性通常不用于更新网络参数。它有助于监控网络的学习进度和当前性能。
你的问题至少有两个不同的问题。
第一个现在应该从史努比博士的评论和另一个答案中清楚了：在像你这样的回归问题中，准确性是毫无意义；另请参阅 patyork 在 this Keras thread 中的评论。不管是好是坏，事实是 Keras 不会“保护”你或任何其他用户在你的代码中放置无意义的请求，即你不会得到任何错误，甚至警告，你正在尝试做一些事情没有意义，例如要求回归设置中的准确性。
澄清了这一点，另一个问题是：
既然 Keras 确实 return 一个“准确性”，即使在回归设置中，它到底是什么以及如何计算的？
为了在这里阐明一些情况，让我们恢复到 public 数据集（因为您没有提供有关数据的任何详细信息），即 Boston house price dataset（在本地保存为 housing.csv ), 运行 一个简单的实验如下:
import numpy as np
import pandas
import keras
from keras.models import Sequential
from keras.layers import Dense
# load dataset
dataframe = pandas.read_csv("housing.csv", delim_whitespace=True, header=None)
dataset = dataframe.values
# split into input (X) and output (Y) variables
X = dataset[:,0:13]
Y = dataset[:,13]
model = Sequential()
model.add(Dense(13, input_dim=13, kernel_initializer='normal', activation='relu'))
model.add(Dense(1, kernel_initializer='normal'))
# Compile model asking for accuracy, too:
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
model.fit(X, Y,
batch_size=5,
epochs=100,
verbose=1)
与您的情况一样，模型拟合历史记录（此处未显示）显示损失减少，准确度大致增加。现在让我们使用适当的 Keras 内置函数评估同一训练集中的模型性能：
score = model.evaluate(X, Y, verbose=0)
score
# [16.863721372581754, 0.013833992168483997]
score 数组的确切内容取决于我们在模型编译期间所请求的内容；在我们这里的例子中，第一个元素是损失（MSE），第二个是“准确度”。
至此，让我们看一下metrics.py file中Keras binary_accuracy的定义：
def binary_accuracy(y_true, y_pred):
return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
因此，在 Keras 生成预测 y_pred 之后，它首先对它们进行四舍五入，然后在获取平均值之前检查它们中有多少等于真实标签 y_true。
在我们的例子中，让我们使用纯 Python 和 Numpy 代码复制此操作，其中真实标签是 Y:
y_pred = model.predict(X)
l = len(Y)
acc = sum([np.round(y_pred[i])==Y[i] for i in range(l)])/l
acc
# array([0.01383399])
好吧，宾果游戏！这实际上与上面 score[1] 编辑的值相同 return...
长话短说：由于您（错误地）在模型编译中请求 metrics=['accuracy']，Keras 将 do its best to satisfy you 并 return 一些“准确度”确实，计算如上所示，尽管这在您的设置中完全没有意义。
有很多设置，Keras 在后台执行相当无意义的操作，没有给用户任何提示或警告；我碰巧遇到的两个是：
当在多 class 设置中，一个人恰好用 metrics=['accuracy'] 请求 loss='binary_crossentropy'（而不是 categorical_crossentropy）时给出无意义的结果- 在 and
中查看我的答案
完全禁用 Dropout，在极端情况下要求 dropout 率为 1.0 - 请参阅我在
中的回答
@desertnaut 说的很清楚了
考虑以下两段代码
def binary_accuracy(y_true, y_pred):
return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
你的labels应该是整数，因为keras不会舍入y_true，而且你的准确率很高......
损失函数为均方误差时Accuracy如何定义？是mean absolute percentage error吗？
我使用的模型具有输出激活线性并且使用loss= mean_squared_error
model.add(Dense(1))
model.add(Activation('linear')) # number
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
输出如下所示：
Epoch 99/100
1000/1000 [==============================] - 687s 687ms/step - loss: 0.0463 - acc: 0.9689 - val_loss: 3.7303 - val_acc: 0.3250
Epoch 100/100
1000/1000 [==============================] - 688s 688ms/step - loss: 0.0424 - acc: 0.9740 - val_loss: 3.4221 - val_acc: 0.3701
那么，例如val_acc: 0.3250 是什么意思？ Mean_squared_error 应该是标量而不是百分比 - 不应该吗？ val_acc - 均方误差、平均百分比误差或其他函数也是如此吗？
来自维基百科上对 MSE 的定义：https://en.wikipedia.org/wiki/Mean_squared_error
The MSE is a measure of the quality of an estimator—it is always non-negative, and values closer to zero are better.
这是否意味着 val_acc: 0.0 的值优于 val_acc: 0.325？
编辑：我训练时准确度指标输出的更多示例 - 随着我训练得更多，准确度会提高。而损失函数 - mse 应该减少。 mse 的准确度定义是否明确 - 在 Keras 中如何定义？
lAllocator: After 14014 get requests, put_count=14032 evicted_count=1000 eviction_rate=0.0712657 and unsatisfied allocation rate=0.071714
1000/1000 [==============================] - 453s 453ms/step - loss: 17.4875 - acc: 0.1443 - val_loss: 98.0973 - val_acc: 0.0333
Epoch 2/100
1000/1000 [==============================] - 443s 443ms/step - loss: 6.6793 - acc: 0.1973 - val_loss: 11.9101 - val_acc: 0.1500
Epoch 3/100
1000/1000 [==============================] - 444s 444ms/step - loss: 6.3867 - acc: 0.1980 - val_loss: 6.8647 - val_acc: 0.1667
Epoch 4/100
1000/1000 [==============================] - 445s 445ms/step - loss: 5.4062 - acc: 0.2255 - val_loss: 5.6029 - val_acc: 0.1600
Epoch 5/100
783/1000 [======================>.......] - ETA: 1:36 - loss: 5.0148 - acc: 0.2306
损失函数（在本例中为均方误差）用于指示您的预测与目标值的偏离程度。在训练阶段，权重根据这个数量进行更新。如果您正在处理 class 化问题，定义一个称为准确性的附加指标是很常见的。它监控在多少情况下预测了正确的 class。这表示为百分比值。因此，值 0.0 表示没有正确的决定，而 1.0 仅表示正确的决定。 当您的网络正在训练时，损失会减少，而准确度通常会增加。
请注意，与损失相反，准确性通常不用于更新网络参数。它有助于监控网络的学习进度和当前性能。
你的问题至少有两个不同的问题。
第一个现在应该从史努比博士的评论和另一个答案中清楚了：在像你这样的回归问题中，准确性是毫无意义；另请参阅 patyork 在 this Keras thread 中的评论。不管是好是坏，事实是 Keras 不会“保护”你或任何其他用户在你的代码中放置无意义的请求，即你不会得到任何错误，甚至警告，你正在尝试做一些事情没有意义，例如要求回归设置中的准确性。
澄清了这一点，另一个问题是：
既然 Keras 确实 return 一个“准确性”，即使在回归设置中，它到底是什么以及如何计算的？
为了在这里阐明一些情况，让我们恢复到 public 数据集（因为您没有提供有关数据的任何详细信息），即 Boston house price dataset（在本地保存为 housing.csv ), 运行 一个简单的实验如下:
import numpy as np
import pandas
import keras
from keras.models import Sequential
from keras.layers import Dense
# load dataset
dataframe = pandas.read_csv("housing.csv", delim_whitespace=True, header=None)
dataset = dataframe.values
# split into input (X) and output (Y) variables
X = dataset[:,0:13]
Y = dataset[:,13]
model = Sequential()
model.add(Dense(13, input_dim=13, kernel_initializer='normal', activation='relu'))
model.add(Dense(1, kernel_initializer='normal'))
# Compile model asking for accuracy, too:
model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
model.fit(X, Y,
batch_size=5,
epochs=100,
verbose=1)
与您的情况一样，模型拟合历史记录（此处未显示）显示损失减少，准确度大致增加。现在让我们使用适当的 Keras 内置函数评估同一训练集中的模型性能：
score = model.evaluate(X, Y, verbose=0)
score
# [16.863721372581754, 0.013833992168483997]
score 数组的确切内容取决于我们在模型编译期间所请求的内容；在我们这里的例子中，第一个元素是损失（MSE），第二个是“准确度”。
至此，让我们看一下metrics.py file中Keras binary_accuracy的定义：
def binary_accuracy(y_true, y_pred):
return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
因此，在 Keras 生成预测 y_pred 之后，它首先对它们进行四舍五入，然后在获取平均值之前检查它们中有多少等于真实标签 y_true。
在我们的例子中，让我们使用纯 Python 和 Numpy 代码复制此操作，其中真实标签是 Y:
y_pred = model.predict(X)
l = len(Y)
acc = sum([np.round(y_pred[i])==Y[i] for i in range(l)])/l
acc
# array([0.01383399])
好吧，宾果游戏！这实际上与上面 score[1] 编辑的值相同 return...
长话短说：由于您（错误地）在模型编译中请求 metrics=['accuracy']，Keras 将 do its best to satisfy you 并 return 一些“准确度”确实，计算如上所示，尽管这在您的设置中完全没有意义。
有很多设置，Keras 在后台执行相当无意义的操作，没有给用户任何提示或警告；我碰巧遇到的两个是：
当在多 class 设置中，一个人恰好用
中查看我的答案metrics=['accuracy']请求loss='binary_crossentropy'（而不是categorical_crossentropy）时给出无意义的结果- 在完全禁用 Dropout，在极端情况下要求 dropout 率为 1.0 - 请参阅我在
中的回答
@desertnaut 说的很清楚了
考虑以下两段代码
def binary_accuracy(y_true, y_pred):
return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
你的labels应该是整数，因为keras不会舍入y_true，而且你的准确率很高......