Keras模型评估中的损失

Question

我正在使用Keras loss='binary_crossentropy'、optimizer=tf.keras.optimizers.Adam进行二进制分类，最后一层是keras.layers.Dense(1, activation=tf.nn.sigmoid)。

据我所知，loss值被用于评估训练阶段的模型。但是，当我将Keras模型评估用于测试数据集(例如，m_recall.evaluate(testData,testLabel) )时，也存在loss值，并伴随着类似下面的输出的accuracy值。

test size:  (1889, 18525)
1889/1889 [==============================] - 1s 345us/step
m_acc:  [0.5690245978371045, 0.9523557437797776]
1889/1889 [==============================] - 1s 352us/step
m_recall:  [0.24519687695911097, 0.9359449444150344]
1889/1889 [==============================] - 1s 350us/step
m_f1:  [0.502442331737344, 0.9216516675489677]
1889/1889 [==============================] - 1s 360us/step
metric name:  ['loss', 'acc']

在测试期间，loss的含义/用法是什么？为什么它这么高(例如0.5690 in m_acc)？准确性评估对我来说似乎很好(例如，0.9523 in m_acc)，但我也担心loss，它是否会使我的模型表现糟糕？

P.S. m_acc，m_recall等就是我给我的模型命名的方式(他们在GridSearchCV中接受了不同的度量)

更新：我刚刚意识到loss值不是百分比，那么它们是如何计算的呢？对于当前的价值观，它们是否足够好，还是我需要更多地优化它们？

进一步阅读的建议也很感谢！

Answer 1

在定义机器学习模型时，我们希望有一种方法来衡量模型的性能，以便与其他模型进行比较，选择最优的模型，并确保其足够好。因此，我们定义了一些度量标准，如精度(在分类上下文中)，即模型正确分类样本的比例，以衡量我们的模型的性能以及它是否适合我们的任务。

尽管我们确实可以理解这些度量标准，但问题是模型的学习过程不能直接使用它们来调整模型的参数。相反，我们定义了其他的度量，通常称为损失函数或目标函数，它们可以被训练过程直接使用(即优化)。这些函数的定义通常是这样的:当它们的值较低时，我们就会得到很高的精度。这就是为什么你通常会看到机器学习算法试图最小化一个损失函数，并期望提高精度。换句话说，模型是通过优化损失函数间接学习。损失值在模型的训练过程中很重要，例如，如果它们没有下降或波动，这就意味着有一个问题需要解决。

因此，我们最终(即在测试模型时)关注的是我们最初定义的度量的价值(比如准确性)，我们并不关心损失函数的最终价值。这就是为什么您没有听到“数据集上特定模型的损失值为8.732”的原因！这并不能告诉你模型是伟大的，好的，坏的还是可怕的。相反，您会听到“此模型在数据集上以87%的精度执行”。