這是 Keras 模型的最后一層。model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])我知道softmax層的輸出是一個(gè)數(shù)組，概率總和為1，比如[0.1, 0.4, 0.5].我有一個(gè)關(guān)于使用準(zhǔn)確性作為指標(biāo)的問題。例如，當(dāng)真實(shí)類別為[0, 0, 1]且預(yù)測(cè)概率為 時(shí)[0.1, 0.4, 0.5]，即使0.5是最大概率，此預(yù)測(cè)的準(zhǔn)確度也應(yīng)為0，因?yàn)?.5 != 1. 那是對(duì)的嗎？更一般地，當(dāng)輸出層激活為 時(shí)softmax，我們通常會(huì)得到浮動(dòng)概率預(yù)測(cè)，并且在極少數(shù)情況下我們會(huì)得到 [0, 0, 1]像 所以我們?cè)谑褂胊s activation的時(shí)候不能用accuracyas metric softmax。那是對(duì)的嗎？
1 回答
墨色風(fēng)雨
TA貢獻(xiàn)1853條經(jīng)驗(yàn) 獲得超6個(gè)贊
eg，當(dāng)真實(shí)類別為[0, 0, 1]，預(yù)測(cè)概率為[0.1, 0.4, 0.5]時(shí)，即使0.5是最大概率，這個(gè)預(yù)測(cè)的準(zhǔn)確率也應(yīng)該是0，因?yàn)?.5 != 1。是那對(duì)嗎？
不，您將具有最大值的索引視為模型的預(yù)測(cè)。因此，在您的示例中，此示例預(yù)測(cè)將有助于提高準(zhǔn)確性。這通常稱為 Top-1 精度。在圖像分類中，也經(jīng)常使用 Top-5 精度（softmax 層中的前 5 個(gè)最大值被視為 NN 的猜測(cè)，并考慮它們的精度）。
更一般地，當(dāng)輸出層激活為 softmax 時(shí)，我們通常會(huì)得到浮動(dòng)概率預(yù)測(cè)，并且在極少數(shù)情況下我們會(huì)得到像 [0, 0, 1] 這樣的整數(shù)概率預(yù)測(cè)。所以我們?cè)谑褂?softmax 作為激活時(shí)不能使用準(zhǔn)確性作為度量。那是對(duì)的嗎？
從技術(shù)上講，您永遠(yuǎn)不會(huì)獲得 softmax 層輸出的整數(shù)值，因?yàn)轭愋褪?float。但是，是的，獲得 [0.0, 0.0, 1.0] 的機(jī)會(huì)非常小。而你的這個(gè)假設(shè)是不正確的，因?yàn)榍疤岵怀闪ⅰＨ欢?，?dāng)使用 Softmax 作為神經(jīng)網(wǎng)絡(luò)的分類層時(shí)，準(zhǔn)確性是一個(gè)有效的指標(biāo)。
添加回答
舉報(bào)
0/150
提交
取消