在 keras 模型指标中使用简单的 "accuracy" 进行多 class class 化在技术上是错误的吗？我们应该使用 CategoricalAccuracy() 吗？

Question

因此，根据 Keras 的定义，简单的“准确性”指标比较 2 个标记为类的指标是正确的。代码片段

        ---------some model layers---------.
        model.add(Dense(len(all_labels), name="output", activation = 'softmax'))
        METRICS = ['accuracy', tf.keras.metrics.CategoricalAccuracy() , tf.keras.metrics.AUC(), 'mae']
        model.compile(optimizer = 'adam', loss = 'binary_crossentropy',
                           metrics = METRICS)

我正在尝试解决多class图像识别问题（7 classes，互斥）（一个数据点只属于一个class），one-hot使用 encoding 和 Output Softmax Activation 用于 Multi-class（这是正确的还是我应该选择 Sigmoid？）。损失函数是二元交叉熵（分类交叉熵用于多标签{相互包含}）。那么什么准确性指标适用于此？ 'accuracy' 或 categoricalAccuracy()?

example out--> 显示 'accuracy' 高但 categoricalAccuracy 很差

Epoch 1/10
 99/100 [============================>.] - ETA: 4s - loss: 0.5722 - acc: 0.8334 - categorical_accuracy: 0.1504 - auc_2: 0.5117 - mean_absolute_error: 0.2434

如果这个模型在分类准确性方面很差，如何让它变得更好？

Answer 1

您应该使用 CategoricalAccuracy。它适用于 one-hot 标签和类的预测对数。

我认为你应该使用 CategoricalCrossentropy 作为损失函数。当你有两个类.

时使用 BinaryCrossentropy

在 keras 模型指标中使用简单的 "accuracy" 进行多 class class 化在技术上是错误的吗？我们应该使用 CategoricalAccuracy() 吗？

Is it technically wrong to use simple "accuracy" in keras model metrics for multi-class classification? Should we use CategoricalAccuracy()?

classification

multilabel-classification

deep-learning

keras

tensorflow