如何在Keras中实现Sklearn度量？

Question

尝试过谷歌搜索，但找不到如何在keras中实现Sklearn度量，比如cohen、roc、f1score作为不平衡数据的度量标准。

如何在Keras中实现Sklearn度量？

Answer 1

Keras中的度量和Sklearn中的度量意味着不同的东西。

在Keras中，度量标准几乎与损失相同。在每个批次结束时，为了报告和日志记录目的，它们都会在训练期间被调用。示例用法是失去'mse‘，但您仍然希望看到'mae’。在这种情况下，您可以添加“mae”作为模型的度量标准。

在Sklearn中，度量函数按照“度量模块为特定目的实现评估预测错误的函数”的定义应用于预测。虽然存在重叠，但Sklearn的统计功能不适合Keras中的度量定义。Sklearn度量可以返回两个维度都大于1的浮点、数组、二维数组，通过预测方法在Keras中没有这样的对象。

回答你的问题：

这取决于您想要触发的位置：

1. 每批或每一时期的结束 您可以编写在批处理结束时触发的自定义回调。
2. 后预测 这似乎容易多了。让Keras预测整个数据集，捕获结果，然后将y_true和y_pred数组提供给相应的Sklearn度量。

Answer 2

你所需要的一切都在混乱的矩阵中。计算混淆矩阵并遵循我的公式：

​

​

在实践中，这样做的方式如下：

from sklearn.metrics import confusion_matrix

NBC = NBC.fit(X_train,y_train)
cm = confusion_matrix(y_test, NBC.predict(X_test))
tn, fp, fn, tp = cm.ravel()
print('tn: ',tn)
print('fp: ',fp)
print('fn: ',fn)
print('tp: ',tp)
print('------------------')
print(cm) 

现在：

p_0 = (tn+)/(tn+fp+fn+)
print('p_0:',p_0)

P_class0 = ((tn+fp)/(tn+fp+fn+))*((tn+fn)/(tn+fp+fn+))
print('P_yes: ',P_yes)

P_class1 = ((fn+)/(tn+fp+fn+))*((fp+)/(tn+fp+fn+))
print('P_no: ',P_no)


pe = P_yes + P_no
print('pe: ',pe)

κ = (p_0-pe)/(1-pe)
print('κ: ',κ)