Python 为什么Keras的假阴性计数为负数（例如-10）？_Python_Tensorflow_Machine Learning_Keras_Dataset

Python 为什么Keras的假阴性计数为负数（例如-10）？

python tensorflow machine-learning keras

Python 为什么Keras的假阴性计数为负数（例如-10）？,python,tensorflow,machine-learning,keras,dataset,Python,Tensorflow,Machine Learning,Keras,Dataset,我正在尝试调试一个用于文本二进制分类的keras模型，该模型的性能非常差我关掉了所有的铃铛和哨子，我试着用两个不同的数据集（数据集的相同X数据，但不同的Y标签）来拟合它： Y0：所有Y=0 Y1：所有Y=1 每个数据集大约1K个样本然后，我尝试多次拟合该模型，改变一些参数，如学习率、层的大小、在单词的一次热编码和整数编码表示之间切换令人惊讶的是，该测试显示一些指标给了我错误的结果：为什么FN计数为负数我做了一些检查。似乎负计数（例如：-87）会影响其他指标，如回忆（偶数>1）、

我正在尝试调试一个用于文本二进制分类的keras模型，该模型的性能非常差

我关掉了所有的铃铛和哨子，我试着用两个不同的数据集（数据集的相同X数据，但不同的Y标签）来拟合它：

Y0：所有Y=0
Y1：所有Y=1

每个数据集大约1K个样本

然后，我尝试多次拟合该模型，改变一些参数，如学习率、层的大小、在单词的一次热编码和整数编码表示之间切换

令人惊讶的是，该测试显示一些指标给了我错误的结果：

为什么FN计数为负数

我做了一些检查。似乎负计数（例如：-87）会影响其他指标，如回忆（偶数>1）、MAE、准确度
以下是我正在运行的（简化）代码：

导入keras\u度量默认\u内部\u激活='relu' 默认输出激活='softplus' 定义初始（自我、句子最大长度、ctx最大长度、密集特征尺寸、声音大小）： lstm_input_phrase=keras.layers.input（shape=（句子最大长度），name='L0'STC\u MyApp'） lstm_emb_phrase=keras.layers.lstm（默认的_MODEL_L1_STC_DIM，name='L1_STC_MyApp'）（lstm_emb_phrase） lstm\u emb\u phrase=keras.layers.density（默认的模型，名称为'L2\u STC\u MyApp'，激活=默认的内部激活）（lstm\u emb\u phrase） x=keras.layers.Dense（默认模型尺寸，激活=默认内部激活）（lstm\U emb\U短语） x=keras.layers.Dense（默认模型尺寸，激活=默认内部激活）（x）主输出=keras.layers.Dense（2，激活=默认输出\激活）（x） self.model=keras.models.model（输入=lstm\u输入），输出=主输出）优化器=keras.optimizers.Adam（lr=self.LEARNING\u RATE） compile（优化器=优化器，loss='binary\u crossentropy'，metrics=['binary\u accurity'， "美",， keras_度量精度（）， keras_metrics.recall（）， keras_度量。二进制_精度（）， keras_metrics.binary_recall（）， keras_metrics.binary_true_positive（）， keras_metrics.binary_true_negative（）， keras_metrics.binary_false_positive（）， keras_metrics.binary_false_negative（）） def fit（self，x_lstm_短语，x_lstm_上下文，x_lstm_位置，x_密集，y）： x_arr=keras.preprocessing.sequence.pad_序列（x_lstm_短语） y\u onehot=MyNN.onehot\u变换（y）返回自我模型拟合（x_arr，你知道吗，批次大小=自身。批次大小， epochs=self.max_epochs，验证分割=自验证分割，回调=[keras.callbacks.earlystoping（monitor='val_loss'，最小增量=0.0001，耐心，恢复最佳权重=真 )])
这是我从终端获得的第一部分输出的片段：
注意：这里有两个警告。我不认为这些警告会影响到这个问题。

Using TensorFlow backend. 2019-04-01 23:26:59.479064: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 WARNING:tensorflow:From [path_to_myApp]\venv\lib\site-packages\tensorflow\python\framework\op_def_library.py:263: colocate_with (f rom tensorflow.python.framework.ops) is deprecated and will be removed in a future version. Instructions for updating: Colocations handled automatically by placer. WARNING:tensorflow:From [path_to_myApp]\venv\lib\site-packages\tensorflow\python\ops\math_ops.py:3066: to_int32 (from tensorflow.p ython.ops.math_ops) is deprecated and will be removed in a future version. 16/618 [..............................] - ETA: 38s - loss: 0.7756 - binary_accuracy: 0.5000 - mean_absolute_error: 0.5007 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 16.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 32/618 [>.............................] - ETA: 23s - loss: 0.7740 - binary_accuracy: 0.5000 - mean_absolute_error: 0.5000 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 32.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 48/618 [=>............................] - ETA: 17s - loss: 0.7725 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4994 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 48.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 64/618 [==>...........................] - ETA: 15s - loss: 0.7711 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4988 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 64.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 80/618 [==>...........................] - ETA: 13s - loss: 0.7697 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4982 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 80.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 96/618 [===>..........................] - ETA: 12s - loss: 0.7682 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4976 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 96.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 112/618 [====>.........................] - ETA: 11s - loss: 0.7666 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4970 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 112.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 128/618 [=====>........................] - ETA: 10s - loss: 0.7650 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4963 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 128.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 144/618 [=====>........................] - ETA: 9s - loss: 0.7634 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4956 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 144.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 160/618 [======>.......................] - ETA: 9s - loss: 0.7617 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4949 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 160.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 176/618 [=======>......................] - ETA: 8s - loss: 0.7600 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4941 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 176.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 192/618 [========>.....................] - ETA: 8s - loss: 0.7582 - binary_accuracy: 0.5000 - mean_absolute_error: 0.4934 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 192.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00
这是我开始得到负FN计数的时候：

256/618 [===========>..................] - ETA: 5s - loss: 0.3052 - binary_accuracy: 0.8750 - mean_absolute_error: 0.2778 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 256.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 272/618 [============>.................] - ETA: 5s - loss: 0.2965 - binary_accuracy: 0.8824 - mean_absolute_error: 0.2791 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 272.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 288/618 [============>.................] - ETA: 5s - loss: 0.2882 - binary_accuracy: 0.8889 - mean_absolute_error: 0.2807 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 288.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 304/618 [=============>................] - ETA: 4s - loss: 0.2804 - binary_accuracy: 0.8947 - mean_absolute_error: 0.2828 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 304.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 320/618 [==============>...............] - ETA: 4s - loss: 0.2730 - binary_accuracy: 0.9000 - mean_absolute_error: 0.2853 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 320.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 336/618 [===============>..............] - ETA: 4s - loss: 0.2659 - binary_accuracy: 0.9048 - mean_absolute_error: 0.2882 - precision: 1.0000 - recall: 1.0000 - precision_1: 1.0000 - recall_1: 1.0000 - true_positive: 336.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: 0.0000e+00 352/618 [================>.............] - ETA: 4s - loss: 0.2591 - binary_accuracy: 0.8864 - mean_absolute_error: 0.2914 - precision: 1.0000 - recall: 1.0455 - precision_1: 1.0000 - recall_1: 1.0455 - true_positive: 368.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: -16.0000 368/618 [================>.............] - ETA: 3s - loss: 0.2526 - binary_accuracy: 0.8696 - mean_absolute_error: 0.2950 - precision: 1.0000 - recall: 1.0870 - precision_1: 1.0000 - recall_1: 1.0870 - true_positive: 400.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: -32.0000 384/618 [=================>............] - ETA: 3s - loss: 0.2464 - binary_accuracy: 0.8542 - mean_absolute_error: 0.2989 - precision: 1.0000 - recall: 1.1250 - precision_1: 1.0000 - recall_1: 1.1250 - true_positive: 432.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: -48.0000 400/618 [==================>...........] - ETA: 3s - loss: 0.2404 - binary_accuracy: 0.8400 - mean_absolute_error: 0.3031 - precision: 1.0000 - recall: 1.1600 - precision_1: 1.0000 - recall_1: 1.1600 - true_positive: 464.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: -64.0000 416/618 [===================>..........] - ETA: 3s - loss: 0.2346 - binary_accuracy: 0.8269 - mean_absolute_error: 0.3076 - precision: 1.0000 - recall: 1.1923 - precision_1: 1.0000 - recall_1: 1.1923 - true_positive: 496.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: -80.0000 432/618 [===================>..........] - ETA: 2s - loss: 0.2291 - binary_accuracy: 0.8148 - mean_absolute_error: 0.3124 - precision: 1.0000 - recall: 1.2222 - precision_1: 1.0000 - recall_1: 1.2222 - true_positive: 528.0000 - true_negative: 0.0000e+00 - false_positive: 0.0000e+00 - false_negative: -96.0000
您知道如何解决此问题吗
编辑：我试图删除所有使用的keras_指标，只留下二进制精度
仍然存在这个问题，因为损耗和Val_损耗几乎为零，而精度保持在0.5左右。
考虑到数据集的特殊性，它意味着#TP=#FN（对于Y1）和#TN+#FP（对于Y0）
如何能够用这种损失测量来进行这种精度测量
这是否与我正在使用

Dense(2, activation='softplus')
层作为输出

你知道吗？
经过一些测试，我将激活功能从softplus更改为softmax
即使分类器表现不佳，所有度量现在都在正确的范围内

/H
您使用的是什么指标实施？Keras没有您使用的度量（如误报等）。我使用的是Keras_度量模块。你有这个模块的经验吗？与你的问题无关，但MAE只用于回归问题，实际上它在分类问题中没有位置，就像这里你是对的。我删除了上述编辑中解释的指标。