用于多标签分类的 keras 自定义指标
keras custom metrics for multi-label classfication
我正在使用 sigmoid 和 binary_crossentropy 进行多标签分类。
例如y_true的标签如[1,0,1,0,0]，y_pred的标签如[0.8,0.3,0.9,0,0].
如何设置Keras自定义度量函数，使y_pred中大于0.5的每个元素映射为1，y_pred中小于0.5的每个元素映射为0，然后比较y_pred 中与 y_true?
匹配的标签数
由于您正在进行多标签分类，您似乎想要将整个真实标签和预测标签相互比较。例如，对于一个真实标签为 [1, 0, 0] 且预测标签为 [0, 0, 0] 的单个样本，您认为预测准确度为零（尽管第二个和第三个标签 类 已被正确预测）。如果是这种情况，您可以比较标签，然后使用后端的 all() 方法来确保所有 类 的标签相互匹配：
from keras import backend as K
def full_multi_label_metric(y_true, y_pred):
comp = K.equal(y_true, K.round(y_pred))
return K.cast(K.all(comp, axis=-1), K.floatx())
我正在使用 sigmoid 和 binary_crossentropy 进行多标签分类。
例如y_true的标签如[1,0,1,0,0]，y_pred的标签如[0.8,0.3,0.9,0,0].
如何设置Keras自定义度量函数，使y_pred中大于0.5的每个元素映射为1，y_pred中小于0.5的每个元素映射为0，然后比较y_pred 中与 y_true?
由于您正在进行多标签分类，您似乎想要将整个真实标签和预测标签相互比较。例如，对于一个真实标签为 [1, 0, 0] 且预测标签为 [0, 0, 0] 的单个样本，您认为预测准确度为零（尽管第二个和第三个标签 类 已被正确预测）。如果是这种情况，您可以比较标签，然后使用后端的 all() 方法来确保所有 类 的标签相互匹配：
from keras import backend as K
def full_multi_label_metric(y_true, y_pred):
comp = K.equal(y_true, K.round(y_pred))
return K.cast(K.all(comp, axis=-1), K.floatx())