Keras 中的损失、指标和评分

Question

loss、metrics 和 scoring 在构建 keras 模型方面有什么区别？它们应该不同还是相同？在一个典型的模型中，我们使用所有三个 forGridSearchCV。

这是一个典型的回归模型的快照，它使用了所有这三个。

def create_model():

 model = Sequential()
 model.add(Dense(12, input_dim=1587, activation='relu'))
 model.add(Dense(1, activation='sigmoid'))

 model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mean_squared_error'])
 return model

model = KerasRegressor(build_fn=create_model, verbose=0)
batch_size = [10, 20, 40, 60, 80, 100]
epochs = [10, 50, 100]
param_grid = dict(batch_size=batch_size, epochs=epochs)
grid = GridSearchCV(estimator=model,param_grid=param_grid, scoring='r2' n_jobs=-1)
grid_result = grid.fit(X, Y)

Answer 1

不，它们都是在您的代码中用于不同目的的不同东西。

您的代码中有两部分。

1) Keras 部分：

 model.compile(loss='mean_squared_error', 
               optimizer='adam', 
               metrics=['mean_squared_error'])

a) loss：在Compilation section of the documentation here中，你可以看到：

A loss function is the objective that the model will try to minimize.

所以这实际上是与 optimizer 一起使用来实际训练模型

b) metrics: 根据documentation:

A metric function is similar to a loss function, except that the results from evaluating a metric are not used when training the model.

这仅用于报告指标，以便使用的（您）可以判断模型的性能。它不会影响模型的训练方式。

2) 网格搜索部分：

scoring：再次检查the documentation

A single string or a callable to evaluate the predictions on the test set.

这用于查找您在 param_grid 中定义的参数组合，它给出了最好的 score。

它们很可能（在大多数情况下）有所不同，具体取决于您的需要。

Keras 中的损失、指标和评分

Loss, metrics, and scoring in Keras

machine-learning

scikit-learn

keras

grid-search

tensorflow