为什么在计算逻辑回归的准确性时使用“tf.reduce_mean”？

Question

下面这个函数是用来计算逻辑回归的准确率的，但是在这个函数中使用reduce_mean函数有什么意义呢？

密码是：

import tensorflow as tf    
def accuracy(y_pred, y_true):
        # Predicted class is the index of the highest score in prediction vector (i.e. argmax).
    
        correct_prediction = tf.equal(tf.argmax(y_pred, 1), tf.cast(y_true, tf.int64))
    
        return tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

Answer 1

首先，请注意度量或损失函数通常期望一批 prediction/true 标签作为输入。现在，如果相应的预测正确，correct_prediction 的每个元素都是 True；否则，它是 False。然后，tf.cast(correct_prediction, tf.float32) 会将 True 值转换为 1，将 False 值转换为 0。因此，计算它的平均值（即均值）将等同于预测的准确性（尽管，作为[0,1] 范围内的值，而不是百分比）。

为了进一步阐明这一点，考虑一下：

>>> correct_prediction
[True, False, False, True, True]    # 3 out of 5 predictions are correct

>>> tf.cast(correct_prediction, tf.float32)
[1, 0, 0, 1, 1]

>>> tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
0.6    # it means 60% accuracy which is what we expected

为什么在计算逻辑回归的准确性时使用“tf.reduce_mean”？

Why is `tf.reduce_mean` used when computing the accuracy of logistic regression?

python

machine-learning

logistic-regression

keras

tensorflow