Deep learning 如何在深度学习中获得测试数据的分类器精度

我正在尝试使用DL4J进行深入学习，并提供了带有标签的培训数据。然后，我尝试通过分配虚拟标签来发送测试数据。如果不提供虚拟标签，则会产生运行时错误。我不明白为什么我们需要为测试数据指定标签

---

此外，我想知道所做预测的准确性。从我在dl4j文档中看到的情况来看，有一种被称为混淆矩阵的东西生成了。据我所知，这只是让我们了解培训数据对系统的培训效果。有没有办法获得测试数据预测的准确性？由于我们为测试数据提供了一个虚拟标签，我觉得混淆矩阵也没有正确生成。

首先，如果您不知道正确的标签是什么，您如何测试网络是否输出了正确的标签？在培训和测试时，您应该始终有一个标签，因为这样您可以断言输出是否正确

第二个问题，我在dl4j网页上找到了：

Evaluation eval = new Evaluation(3);
INDArray output = model.output(testData.getFeatures());
eval.eval(testData.getLabels(), output);
log.info(eval.stats());

据称，此

.stats（）

方法显示混淆矩阵条目（每行一个）、准确性、精确度、召回率和F1分数。此外，评估类还可以计算并返回以下值：

Confusion Matrix
False Positive/Negative Rate
True Positive/Negative
Class Counts
F-beta, G-measure, Matthews Correlation Coefficient and more

---

我希望这对您有所帮助。

您可以在这里的DL4J开发社区找到可以回答您问题的人：

感谢Novak的快速回答。。。我仍然不清楚为什么我们要提供测试数据的标签？对于培训数据，提供标签是可以理解的。但是对于测试数据，分类器应该预测标签-不是吗？分类器也在训练中预测标签。在训练中，您告诉分类器预测标签，然后将预测的标签与真实（正确）标签进行比较。此外，在培训中，您执行反向传播。测试阶段用于评估您的模型的培训效果和性能。它还需要有标签才能做到这一点。但在测试阶段，您不会执行反向传播，因为在那个阶段，模型不再学习，您只想看看它的性能如何。我希望现在更清楚了。