==用于衡量模型的最终效果==
一、背景
在学习tensorflow的初级阶段，会常常搞不懂，metrics的具体意义和实际用途，接下来的文章一方面是对接自己的解答，也是一种学习路径的记录。
二、基础
混淆矩阵是理解众多评价指标的基础。下面是混淆矩阵的表格
image
- TP：True Positive，预测为正例，实际也为正例。
- FP：False Positive，预测为正例，实际却为负例。
- TN：True Negative，预测为负例，实际也为负例。
- FN：False Negative，预测为负例，实际却为正例。
统计正确预测的次数在总的数据集中的占比，==最常用==，tensorflow中是通过记录每次测试的批次的正确数量和总体数量确定的。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Time : 2020/4/4 9:18 下午
# Author : Dale Chen
# Description:
# File : accuracy.py
# Copyright: (c) 2020 year, 4399 Network CO.ltd. All Rights Reserved.
import numpy as np
labels = np.array([[1, 1, 1, 0],
[1, 1, 1, 0],
[1, 1, 1, 0],
[1, 1, 1, 0]], dtype=np.float)
predictions = np.array([[1, 0, 0, 0],
[1, 1, 0, 0],
[1, 1, 1, 0],
[0, 1, 1, 1]], dtype=np.float)
N_CORRECT = 0
N_ITEM_SEEN = 0
def reset_running_variables():
"""reset variables"""
global N_CORRECT, N_ITEM_SEEN
N_CORRECT = 0
N_ITEM_SEEN = 0
def update_running_variables(labs, preds):
"""update variables"""
global N_CORRECT, N_ITEM_SEEN
N_CORRECT += (labs == preds).sum()
N_ITEM_SEEN += labs.size
def calculate_accuracy():
"""calculate accuracy"""
global N_CORRECT, N_ITEM_SEEN
return float(N_CORRECT) / N_ITEM_SEEN
reset_running_variables()
for i in range(len(labels)):
update_running_variables(labels[i], predictions[I])
accuracy = calculate_accuracy()
print("accuracy:", accuracy)
三、内置评估指标算子
- tf.metrics.accuracy()
- tf.metrics.precision()
- tf.metrics.recall()
- tf.metrics.mean_iou()
1. accuracy [ˈækjərəsi] (准确率)
==所有预测正确的样本(不论正例还是负例，只看对错)占总体数量的比例==
注意一下输入的数据需要是true或者false， 实际上就是比对正确的数量占总体的百分比
import tensorflow as tf
import numpy as np
l = np.array([[0, 1, 0, 0],
[0, 0, 0, 0]], dtype=np.float)
p = np.array([[0, 1, 0, 0],
[0, 0, 0, 1]], dtype=np.float)
labels = tf.reshape(l, [2, 4])
predictions = tf.reshape(p, [2, 4])
op = tf.keras.metrics.BinaryAccuracy()
op.update_state(labels, predictions)
print("accuracy:", op.result().numpy())
//accuracy: 1.0
2.precision (精确度)
==精确率就是指 当前划分到正样本类别中，被正确分类的比例，即真正的正样本所占所有预测为正样本的比例。==
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Time : 2020/4/4 11:46 下午
# Author : Dale Chen
# Description:
# File : precision.py
# Copyright: (c) 2020 year, 4399 Network CO.ltd. All Rights Reserved.
import numpy as np
import tensorflow as tf
l = np.array([[0, 1, 1, 0],
[0, 0, 0, 0]])
p = np.array([[0, 1, 0, 0],
[0, 0, 0, 0]])
labels = tf.reshape(l, [1, 8])
predictions = tf.reshape(p, [1, 8])
op = tf.keras.metrics.Precision()
op.update_state(labels, predictions)
print("precision:", (op.result()).numpy())
//precision: 1
我们有一个样本数量为50的数据集，其中正样本的数量为20。但是，在我们所有的预测结果中，只预测出了一个正样本，并且这个样本也确实是正样本，那么 TP=1，FP=0，Precision = TP/(TP+FP) = 1.0，那么我们的模型是不是就很好了呢？当然不是，我们还有19个正样本都没有预测成功. 这时候要使用回招率。
3.recall(回召率)
==召回率即指 当前被分到正样本类别中，真实的正样本占所有正样本的比例，即召回了多少正样本的比例。Recall = TP/(TP+FN)==
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Time : 2020/4/5 12:19 上午
# Author : Dale Chen
# Description:
# File : recall.py
# Copyright: (c) 2020 year, 4399 Network CO.ltd. All Rights Reserved.
import numpy as np
import tensorflow as tf
l = np.array([[0, 1, 1, 0],
[0, 0, 0, 0]])
p = np.array([[0, 1, 0, 0],
[0, 0, 0, 0]])
labels = tf.reshape(l, [1, 8])
predictions = tf.reshape(p, [1, 8])
op = tf.keras.metrics.Recall()
op.update_state(labels, predictions)
print("recall:", (op.result()).numpy())
//recall: 0.5
3.mean_iou
用于处理分类问题的，需要输入种类的数量。标签的格式一定要是[0, 0 , 1, 0]的结构，只能有一种结果， 但是预测的值可以是有多种结果。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# Time : 2020/4/4 10:10 下午
# Author : Dale Chen
# Description:
# File : mean_iou.py
# Copyright: (c) 2020 year, 4399 Network CO.ltd. All Rights Reserved.
import numpy as np
import tensorflow as tf
l = np.array([[0, 1, 0, 0],
[0, 0, 0, 1]])
p = np.array([[0, 1, 0, 0],
[0, 0, 1, 0]])
labels = tf.reshape(l, [2, 4])
predictions = tf.reshape(p, [2, 4])
op = tf.keras.metrics.MeanIoU(num_classes=4)
op.update_state(labels, predictions)
print("iou_op", op.result().numpy())