Python 创建衡量F1损失的标准_Python_Pytorch

Python 创建衡量F1损失的标准

python pytorch

Python 创建衡量F1损失的标准,python,pytorch,Python,Pytorch,我目前正在使用以下方法创建衡量MSE损失函数的标准： loss_fcn = torch.nn.MSELoss() loss = loss_fcn(logits[getMaskForBatch(subgraph)], labels.float()) 现在我需要将它更改为F1成绩，但我似乎找不到一个库可以用于它为什么需要这样做 F1分数通常是一个评估指标，而不是损失函数。此外，要使用F1分数作为损失函数，你必须确保它是可微的和凸的（我认为可能不是这种情况，否则它在文献中已经存在）有许多损失函

我目前正在使用以下方法创建衡量MSE损失函数的标准：

loss_fcn = torch.nn.MSELoss() 

loss = loss_fcn(logits[getMaskForBatch(subgraph)], labels.float())

现在我需要将它更改为F1成绩，但我似乎找不到一个库可以用于它

为什么需要这样做

F1分数通常是一个评估指标，而不是损失函数。此外，要使用F1分数作为损失函数，你必须确保它是可微的和凸的（我认为可能不是这种情况，否则它在文献中已经存在）

有许多损失函数可以解决您的问题，如交叉熵、负对数可能性、CTC损失等。

为什么需要这样做

有许多损失函数可以解决您的问题，如交叉熵、负对数概率、CTC损失等。

具体取决于任务，您需要有特定的损失函数。损失函数也称为目标函数、成本函数或误差函数，它在某种程度上与优化函数相反。损耗函数产生损耗，优化函数减少损耗。：）。这两个函数应该处于平衡状态，这样我们就不会过度拟合

Pyrotch回归损失：

```
nn.L1损耗
```
L1损耗（MAE）
```
nn.MSE损耗
```
L2损耗（MSE）
```
nn.SmoothL1Loss
```
Huber

Pyrotch分类损失：

```
nn.CrossEntropyLoss
```
```
nn.KLDivLoss
```
```
nn.NLLLoss
```

皮根训练

```
nn.MarginRankingLoss
```

因此，如果您使用了

nn.MSELoss

，您可能需要继续使用回归，因为F1是分类度量

如果您确实因为其他原因需要F1分数，您可以使用。

特别是根据您需要具有特定损失功能的任务。损失函数也称为目标函数、成本函数或误差函数，它在某种程度上与优化函数相反。损耗函数产生损耗，优化函数减少损耗。：）。这两个函数应该处于平衡状态，这样我们就不会过度拟合

Pyrotch回归损失：

```
nn.L1损耗
```
L1损耗（MAE）
```
nn.MSE损耗
```
L2损耗（MSE）
```
nn.SmoothL1Loss
```
Huber

Pyrotch分类损失：

```
nn.CrossEntropyLoss
```
```
nn.KLDivLoss
```
```
nn.NLLLoss
```

皮根训练

```
nn.MarginRankingLoss
```

因此，如果您使用了

nn.MSELoss

，您可能需要继续使用回归，因为F1是分类度量

如果您出于其他原因确实需要F1分数，您可以使用。

为什么需要使用F1分数？我正在计算F1分数，以了解我的应用程序在@prostiuse或scikit learn的此F1分数函数中对人脸进行分类的能力，但为什么要使用F1分数？为什么不准确？为什么需要使用F1分数？我正在计算F1分数，以确定我的应用程序在@prostiuse或scikit learn的F1score函数中对人脸进行分类的效果，但为什么要使用F1分数？为什么不准确？因为我的讲师告诉我要实施我已经完成的F1分数评估，我只需要使用F1分数优化我的模型，而不是MSE损失，正如你所说，F1分数用于评估。如果你的问题是一个分类问题，你不必使用MSE损失；不妨试试上面列出的其中一种。如果您的问题是回归问题，则无法使用F1分数评估模型。你应该使用R2或MAPE。因为我的讲师告诉我要实施我已经完成的F1分数评估，我只需要使用F1分数而不是MSE损失优化我的模型。正如你所说，F1分数用于评估。如果你的问题是一个分类问题，你不必使用MSE损失；不妨试试上面列出的其中一种。如果您的问题是回归问题，则无法使用F1分数评估模型。您应该使用R2或MAPE。