Python 如何将损失函数指定为Keras中的二次加权kappa？

我的理解是，keras要求损失函数具有签名：

def custom_loss(y_true, y_pred):

---

我试图使用

sklearn.metrics.cohen\u kappa\u score

，它需要 （y1，y2，标签=无，重量=无，样品重量=无）`

如果我按原样使用：

model.compile(loss=metrics.cohen_kappa_score,
              optimizer='adam', metrics=['accuracy'])

---

然后将不会设置

权重。我想将其设置为
quadratic
。您可以将其定义为自定义损失，是的，
keras
只接受损失函数中的两个参数。以下是您如何定义您的损失：

def get_cohen_kappa(weights=None):
    def cohen_kappa_score(y_true, y_pred):
        """
        Define your code here. You can now use `weights` directly
        in this function
        """
        return score
    return cohen_kappa_score

现在，您可以通过以下方式将此函数传递给您的模型：

model.compile(loss=get_cohen_kappa_score(weights=weights),
              optimizer='adam')
model.fit(...)

在Keras中实现参数化自定义损失函数（
cohen_kappa_得分
）分为两个步骤。因为已经实现了满足您需求的功能，所以您不需要自己实现它。然而，根据，
sklearn.metrics.cohen_kappa_score
不支持加权矩阵。
因此，我建议TensorFlow实现cohen_kappa。然而，在Keras中使用TensorFlow并不是那么容易。。。
根据这一点，他们使用
control\u dependencies
在Keras中使用TensorFlow度量。以下是一个例子：

import keras.backend as K
def _cohen_kappa(y_true, y_pred, num_classes, weights=None, metrics_collections=None, updates_collections=None, name=None):
   kappa, update_op = tf.contrib.metrics.cohen_kappa(y_true, y_pred, num_classes, weights, metrics_collections, updates_collections, name)
   K.get_session().run(tf.local_variables_initializer())
   with tf.control_dependencies([update_op]):
      kappa = tf.identity(kappa)
   return kappa

由于将
（y\u true，y\u pred）
作为参数，因此需要一个返回另一个函数的包装函数。下面是一些代码：

def cohen_kappa_loss(num_classes, weights=None, metrics_collections=None, updates_collections=None, name=None):
   def cohen_kappa(y_true, y_pred):
      return -_cohen_kappa(y_true, y_pred, num_classes, weights, metrics_collections, updates_collections, name)
   return cohen_kappa

最后，您可以在Keras中使用它，如下所示：

# get the loss function and set parameters
model_cohen_kappa = cohen_kappa_loss(num_classes=3,weights=weights)
# compile model
model.compile(loss=model_cohen_kappa,
          optimizer='adam', metrics=['accuracy'])

关于使用Cohen-Kappa度量作为损失函数。一般来说，可以使用加权kappa作为损失函数。这是一个使用加权kappa作为多类分类损失函数的方法。
sklearn.metrics.cohen_kappa_分数
不是有效的Keras损失，因为它不适用于Kerastensors@rvinas像sklearn.metrics.cohen_kappa_分数这样的东西可以通过（Keras的Scikit学习API）访问吗？这可能会让OP基本上做到这一点way@seisvelas我不这么认为-这些包装器允许在您的Scikit学习工作流中使用Keras模型，但不是相反。我看到的唯一解决方案是使用Keras实现
sklearn.metrics.cohen_kappa_score
operations@seisvelas我将如何实现Keras操作？中的答案可能就是您想要的。修改我的问题以指示
二次加权kappa
。只需插入内部函数中的逻辑，它就会工作正如所料，还有一件事
Kappa
是一个
metric
，为什么要将其用作损失函数？我想最小化Kappa，所以将其用作损失函数是否有意义？您可以使用任何指标作为损失函数，只要它是可微的，感谢您的解决方案，但我遇到了以下问题：ValueError:无法压缩dim[1]，预期尺寸为1，输入形状为[？，5]的“损失”\u 7/密集”\u 8\u损失/cohen\u kappa/移除”\u可挤压的\u尺寸/挤压”（op:“挤压”）得到5。有什么想法吗？这个解决方案没有使用二次加权kappa。你找到二次kappa分数的解决方案了吗？我也有同样的问题。还没有，但我会尝试为tensorflow 2制作一个版本，因为它看起来更容易。