Machine learning 当损失为均方误差（MSE）时，什么函数定义了Keras中的精度？

当损失函数为均方误差时，如何定义精度？是吗

我使用的模型具有输出激活线性，并使用

loss=mean_squared_error

model.add（密集型（1））
型号。添加（激活（‘线性’）#编号
compile（loss='mean_squared_error'，optimizer='adam'，metrics=['accurity']）

输出如下所示：

epoch99/100
1000/1000[====================================================================================687s 687ms/阶跃-损耗：0.0463-附件：0.9689-val_损耗：3.7303-val_附件：0.3250
纪元100/100
1000/1000[=======================================================================================-688S688ms/阶跃-损耗：0.0424-acc:0.9740-val\U损耗：3.4221-val\U acc:0.3701

那么，例如val_acc:0.3250意味着什么？均方误差应该是一个标量而不是一个百分比，不是吗？那么val_acc是均方误差、平均百分比误差还是其他函数呢

根据维基百科上MSE的定义：

均方误差是一种衡量估计器质量的指标，它总是如此 非负数，值越接近零越好

这是否意味着

val\u acc:0.0

的值优于

val\u acc:0.325

编辑：我训练时精度度量输出的更多示例-随着训练次数的增加，精度增加。而损失函数-mse应减小。mse的准确度是否定义良好？在Keras中如何定义

lAllocator:14014 get请求后，put_count=14032收回_count=1000收回率=0.0712657，未满足分配率=0.071714
1000/1000[==================================================================-453s 453ms/步-损耗：17.4875-附件：0.1443-val_损耗：98.0973-val_附件：0.0333
纪元2/100
1000/1000[===========================================================================-443s 443ms/步长-损耗：6.6793-acc:0.1973-val_损耗：11.9101-val_acc:0.1500
纪元3/100
1000/1000[=========================================================444s 444ms/步-损耗：6.3867-附件：0.1980-val_损耗：6.8647-val_附件：0.1667
纪元4/100
1000/1000[===============================================================445s/step-损耗：5.4062-acc:0.2255-val\u损耗：5.6029-val\u acc:0.1600
纪元5/100
783/1000[===================>…]-预计到达时间：1:36-损失：5.0148-附件：0.2306

损失函数（本例中为均方误差）用于指示预测与目标值的偏差程度。在训练阶段，权重将基于此数量进行更新。如果您正在处理一个分类问题，那么定义一个称为准确性的额外度量是很常见的。它监控在多少情况下预测了正确的类。这表示为百分比值。因此，值为0.0意味着没有正确的决策，1.0意味着只有正确的小数点。 当你的人际网络在训练时，损失会减少，通常准确度会提高

---

请注意，与丢失相反，精度通常不用于更新网络的参数。它有助于监控学习进度和网络的当前性能。

您的问题至少有两个独立的问题

从史努比博士的评论中，第一个答案现在应该已经很清楚了，而另一个答案是：在回归问题中，准确度是没有意义的，比如你的问题；另见patyork在中的评论。无论好坏，事实上Keras都不会“保护”您或任何其他用户在代码中提出无意义的请求，也就是说，您不会收到任何错误，甚至警告，表明您正在尝试一些没有意义的事情，例如请求回归设置中的准确性

澄清后，另一个问题是：

即使在回归设置中，由于Keras确实返回“准确度”，它到底是什么？它是如何计算的？

为了说明这一点，让我们回到一个公共数据集（因为您没有提供有关数据的任何详细信息），即（本地保存为

housing.csv

），并运行一个简单的实验，如下所示：

将numpy导入为np
进口大熊猫
进口干酪
从keras.models导入顺序
从keras.layers导入稠密
#加载数据集
dataframe=pandas.read\u csv（“housing.csv”，delim\u whitespace=True，header=None）
dataset=dataframe.values
#分为输入（X）和输出（Y）变量
X=数据集[：，0:13]
Y=数据集[：，13]
模型=顺序（）
add（稠密（13，input_dim=13，kernel_initializer='normal'，activation='relu'））
add（稠密（1，kernel_initializer='normal'））
#编译模型时也要求准确性：
compile（loss='mean_squared_error'，optimizer='adam'，metrics=['accurity']）
模型拟合（X，Y，
批次尺寸=5，
纪元=100，
详细=1）

与您的情况一样，模型拟合历史记录（此处未显示）显示损失减少，精度大致增加。现在，让我们使用适当的Keras内置功能在同一培训集中评估模型性能：

score=model.evaluate（X，Y，verbose=0）
分数
# [16.863721372581754, 0.013833992168483997]

score

数组的确切内容取决于我们在模型编译期间所要求的内容；在我们这里的例子中，第一个元素是损耗（MSE），第二个元素是“精度”

在这一点上，让我们看一看Keras

二进制精度的定义：

def二进制精度（y_真，y_pred）：
返回K.mean（K.equal（y_真，K.round（y_pred）），轴=-1）

因此，在Keras生成预测值
y_pred
后，它首先对预测值进行四舍五入，然后检查有多少预测值与真标签值
y_true
相等，然后再得出平均值

在本例中，让我们使用普通Python和Numpy代码复制此操作，其中真正的标签是
Y
：

y_pred=model.predict（X）
l=len（Y）
acc=总和（[np.四舍五入（y_pred[i]）==y[i]表示范围（l）内的i）]/l
行政协调会
#数组（[0.01383399]）
def binary_accuracy(y_true, y_pred):
    return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)