Python 测量精度val_acc是否可信？

构建序列

simple_seq= [x for x in list(range(1000)) if x % 3 == 0]

整形和分割后

x_train, x_test shape = (159, 5, 1)
y_train, y_test shape = (159, 2)

模型

训练

结果是：

Epoch 100/100
127/127 [==============================] - 0s 133us/sample - loss: 0.0096 - acc: 1.0000 - val_loss: 0.6305 - val_acc: 1.0000

但如果使用此模型预测：

x_test[-1:] = array([[[9981],
        [9984],
        [9987],
        [9990],
        [9993]]])

model.predict(x_test[-1:])
result is: array([[10141.571, 10277.236]], dtype=float32)

如果结果与事实相去甚远，那么vall_acc怎么可能是1呢

step    1          2
true [9996,      9999     ]
pred [10141.571, 10277.236] 

---

精度度量仅对分类任务有效。因此，如果在回归任务中使用精度作为度量，则报告的度量值可能根本无效。从您的代码中，我觉得您有一个回归任务，所以不应该使用这个

下面是一个指标列表，您可以在Keras中使用这些指标来解决回归问题

Mean Squared Error: mean_squared_error, MSE or mse
Mean Absolute Error: mean_absolute_error, MAE, mae
Mean Absolute Percentage Error: mean_absolute_percentage_error, MAPE, mape
Cosine Proximity: cosine_proximity, cosine

您可以在上阅读一些理论，并在上查看一些keras示例代码

---

抱歉，时间有点紧，但我相信这些链接确实会对您有所帮助。：）

根据您的真实/预测值和使用损失的范围-似乎您试图解决的是回归问题，而不是分类问题

所以，如果我理解正确的话——你试图根据输入预测两个数值——而不是预测，两个类中哪一个对这些输入有效

---

如果是的话，你不应该使用精度指标。因为它只会比较每个输入样本/预测的最大输入指数（稍微简化）。例如，9996<9999和10141.571<10277.236。

您需要完全定义学习问题，我不清楚模型（和训练数据）的输入和输出是什么，这是回归还是分类？如果它的回归，那么看准确度就没有意义了。正如你在这里所看到的那样，这确实是一项回归任务。添加（密集（2））那么回归应该使用什么指标呢？回归不需要任何指标，损失本身就是一项指标。你可能会发现讨论很有用。事实上，正如@MatiasValdenegro所说，回归不需要任何额外的指标——损失本身就是一个指标是的，这是一个回归任务，那么你建议采用什么指标？

step    1          2
true [9996,      9999     ]
pred [10141.571, 10277.236] 

Mean Squared Error: mean_squared_error, MSE or mse
Mean Absolute Error: mean_absolute_error, MAE, mae
Mean Absolute Percentage Error: mean_absolute_percentage_error, MAPE, mape
Cosine Proximity: cosine_proximity, cosine