Python 如何计算训练模型的混淆矩阵?(根据本守则)
如何计算此培训模型的混淆矩阵Python 如何计算训练模型的混淆矩阵?(根据本守则),python,scikit-learn,keras,chatbot,Python,Scikit Learn,Keras,Chatbot,如何计算此培训模型的混淆矩阵 model = Model([encoder_inputs, decoder_inputs], decoder_outputs) model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy']) history = model.fit([encoder_input_data, decoder_input_data], decode
model = Model([encoder_inputs, decoder_inputs], decoder_outputs)
model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit([encoder_input_data, decoder_input_data], decoder_target_data,
batch_size=batch_size,
epochs=epochs,
validation_split=0.2,
verbose=1)
model.summary()
假设您有训练集和测试集,并且
y\u true
保持预期结果:
y\u predicted
从sklearn.metrics导入混淆矩阵
)混淆矩阵(y\u真,y\u预测)
请根据我的代码片段定义哪个为y_true,哪个为y_predicted。====================================================================================模型=模型([encoder\u inputs,decoder\u inputs],decoder\u outputs)模型。编译(optimizer='rmsprop',loss='classifical\u crossentropy',metrics=['Accurance'])历史=模型。拟合([encoder\u input\u data,decoder\u input\u data],decoder\u target\u data,batch\u size=batch\u size,历代,validation\u split=0.2,verbose=1)model.summary()@rzr请不要将注释空间用于发布代码-它实际上是不可读的!如有必要,请编辑并更新您的问题,但这里您只需重新发布问题中的代码,这是无用的…@rzr我建议您查看一些教程,这些教程可能有助于您理解拆分为train/[验证或测试]集(并解释它们是什么)因为我认为你们在整个训练集中训练你们的模型,若你们想在训练中使用的数据上建立混淆矩阵,它可能会给你们一些误导性的结果。这里有关于KRAS的很好的教程,或者如果你想了解更多的引擎盖后面发生的事情,你可以看看安得烈NG ML课程。