### **一，常用的内置评估指标** * MeanSquaredError（平方差误差，用于回归，可以简写为MSE，函数形式为mse） * MeanAbsoluteError (绝对值误差，用于回归，可以简写为MAE，函数形式为mae) * MeanAbsolutePercentageError (平均百分比误差，用于回归，可以简写为MAPE，函数形式为mape) * RootMeanSquaredError (均方根误差，用于回归) * Accuracy (准确率，用于分类，可以用字符串"Accuracy"表示，Accuracy=(TP+TN)/(TP+TN+FP+FN)，要求y_true和y_pred都为类别序号编码) * Precision (精确率，用于二分类，Precision = TP/(TP+FP)) * Recall (召回率，用于二分类，Recall = TP/(TP+FN)) * TruePositives (真正例，用于二分类) * TrueNegatives (真负例，用于二分类) * FalsePositives (假正例，用于二分类) * FalseNegatives (假负例，用于二分类) * AUC(ROC曲线(TPR vs FPR)下的面积，用于二分类，直观解释为随机抽取一个正样本和一个负样本，正样本的预测值大于负样本的概率) * CategoricalAccuracy（分类准确率，与Accuracy含义相同，要求y_true(label)为onehot编码形式） * SparseCategoricalAccuracy (稀疏分类准确率，与Accuracy含义相同，要求y_true(label)为序号编码形式) * MeanIoU (Intersection-Over-Union，常用于图像分割) * TopKCategoricalAccuracy (多分类TopK准确率，要求y_true(label)为onehot编码形式) * SparseTopKCategoricalAccuracy (稀疏多分类TopK准确率，要求y_true(label)为序号编码形式) * Mean (平均值) * Sum (求和) * ### **二，**自定义品函数及使用 ``` import numpy as np import pandas as pd import tensorflow as tf from tensorflow.keras import layers,models,losses,metrics # 函数形式的自定义评估指标 @tf.function def ks(y_true,y_pred): y_true = tf.reshape(y_true,(-1,)) y_pred = tf.reshape(y_pred,(-1,)) length = tf.shape(y_true)[0] t = tf.math.top_k(y_pred,k = length,sorted = False) y_pred_sorted = tf.gather(y_pred,t.indices) y_true_sorted = tf.gather(y_true,t.indices) cum_positive_ratio = tf.truediv( tf.cumsum(y_true_sorted),tf.reduce_sum(y_true_sorted)) cum_negative_ratio = tf.truediv( tf.cumsum(1 - y_true_sorted),tf.reduce_sum(1 - y_true_sorted)) ks_value = tf.reduce_max(tf.abs(cum_positive_ratio - cum_negative_ratio)) return ks_value y_true = tf.constant([[1],[1],[1],[0],[1],[1],[1],[0],[0],[0],[1],[0],[1],[0]]) y_pred = tf.constant([[0.6],[0.1],[0.4],[0.5],[0.7],[0.7],[0.7], [0.4],[0.4],[0.5],[0.8],[0.3],[0.5],[0.3]]) tf.print(ks(y_true,y_pred)) ``` ``` model.compile( loss="categorical_crossentropy", optimizer=keras.optimizers.Adam(lr=0.001), metrics=[keras.metrics.MeanIoU(num_classes=2),ks] ) ```