在keras里面实现计算f1-score的代码
我就废话不多说了，大家还是直接看代码吧！
###以下链接里面的code
importnumpyasnp
fromkeras.callbacksimportCallback
fromsklearn.metricsimportconfusion_matrix,f1_score,precision_score,recall_score
classMetrics(Callback):
defon_train_begin(self,logs={}):
self.val_f1s=[]
self.val_recalls=[]
self.val_precisions=[]
defon_epoch_end(self,epoch,logs={}):
val_predict=(np.asarray(self.model.predict(self.model.validation_data[0]))).round()
val_targ=self.model.validation_data[1]
_val_f1=f1_score(val_targ,val_predict)
_val_recall=recall_score(val_targ,val_predict)
_val_precision=precision_score(val_targ,val_predict)
self.val_f1s.append(_val_f1)
self.val_recalls.append(_val_recall)
self.val_precisions.append(_val_precision)
print“—val_f1:%f—val_precision:%f—val_recall%f”%(_val_f1,_val_precision,_val_recall)
return
metrics=Metrics()
model.fit(
train_instances.x,
train_instances.y,
batch_size,
epochs,
verbose=2,
callbacks=[metrics],
validation_data=(valid_instances.x,valid_instances.y),
)
补充知识：Keras可使用的评价函数
1：binary_accuracy（对二分类问题，计算在所有预测值上的平均正确率）
binary_accuracy(y_true,y_pred)
2：categorical_accuracy（对多分类问题，计算在所有预测值上的平均正确率）
categorical_accuracy(y_true,y_pred)
3：sparse_categorical_accuracy（与categorical_accuracy相同，在对稀疏的目标值预测时有用）
sparse_categorical_accuracy(y_true,y_pred)
4：top_k_categorical_accuracy（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）
top_k_categorical_accuracy(y_true,y_pred,k=5)
5：sparse_top_k_categorical_accuracy（与top_k_categorical_accracy作用相同，但适用于稀疏情况）
sparse_top_k_categorical_accuracy(y_true,y_pred,k=5)
以上这篇在keras里面实现计算f1-score的代码就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。