多标签分类 Keras 指标
Multi-label classification Keras metrics
Keras 中的多标签分类哪个指标更好：accuracy 还是 categorical_accuracy？显然最后一个激活函数是 sigmoid 并且在这种情况下损失函数是 binary_crossentropy。
实际上，Keras 中没有名为 accuracy 的指标。当您在 Keras 中设置 metrics=['accuray'] 时，将根据使用的损失函数自动推断出正确的精度指标。因此，由于您已使用 binary_crossentropy 作为损失函数，因此 binary_accuracy 将被选为指标。
现在，在多标签 classification 任务中，您绝对应该选择 binary_accuracy 而不是 categorical_accuracy，因为 classes 彼此独立并且预测每个 class 应该独立于其他 classes.
的预测来考虑
我不会将准确性用于不平衡 类 的分类任务。
特别是对于多标签任务，您可能将大部分标签设置为 False。也就是说，与所有可能标签的基数相比，每个数据点只能有一小部分标签。
出于这个原因，准确性不是一个好的指标，如果您的模型预测所有错误（sigmoid 激活输出 < 0.5），那么您将测量到非常高的准确性。
我会在每个时期分析 AUC 或 recall/precision。
或者，可以将多标签任务视为排名任务（如推荐系统），您可以评估 precision@k 或 recall@k，其中 k 是预测最高的标签。
如果您的 Keras 后端是 TensorFlow，请在此处查看支持指标的完整列表：https://www.tensorflow.org/api_docs/python/tf/keras/metrics。
Keras 中的多标签分类哪个指标更好：accuracy 还是 categorical_accuracy？显然最后一个激活函数是 sigmoid 并且在这种情况下损失函数是 binary_crossentropy。
实际上，Keras 中没有名为 accuracy 的指标。当您在 Keras 中设置 metrics=['accuray'] 时，将根据使用的损失函数自动推断出正确的精度指标。因此，由于您已使用 binary_crossentropy 作为损失函数，因此 binary_accuracy 将被选为指标。
现在，在多标签 classification 任务中，您绝对应该选择 binary_accuracy 而不是 categorical_accuracy，因为 classes 彼此独立并且预测每个 class 应该独立于其他 classes.
我不会将准确性用于不平衡 类 的分类任务。 特别是对于多标签任务，您可能将大部分标签设置为 False。也就是说，与所有可能标签的基数相比，每个数据点只能有一小部分标签。 出于这个原因，准确性不是一个好的指标，如果您的模型预测所有错误（sigmoid 激活输出 < 0.5），那么您将测量到非常高的准确性。
我会在每个时期分析 AUC 或 recall/precision。 或者，可以将多标签任务视为排名任务（如推荐系统），您可以评估 precision@k 或 recall@k，其中 k 是预测最高的标签。
如果您的 Keras 后端是 TensorFlow，请在此处查看支持指标的完整列表：https://www.tensorflow.org/api_docs/python/tf/keras/metrics。