Python Keras：如何评估模型精度（评估发电机与预测发电机）？

对于二进制分类问题，我从keras

evaluate\u generator（）

和

predict\u generator（）

获得了不同的模型精度：

def evaluate_model(model, generator, nBatches):
    score = model.evaluate_generator(generator=generator,               # Generator yielding tuples
                                     steps=generator.samples//nBatches, # number of steps (batches of samples) to yield from generator before stopping
                                     max_queue_size=10,                 # maximum size for the generator queue
                                     workers=1,                         # maximum number of processes to spin up when using process based threading
                                     use_multiprocessing=False,         # whether to use process-based threading
                                     verbose=0)
    print("loss: %.3f - acc: %.3f" % (score[0], score[1]))

使用

evaluate\u generator（）

，我得到的

acc

值高达0.7

def evaluate_predcitions(model, generator):
    predictions = model.predict_generator(generator=generator,
                                    steps=generator.samples/nBatches,
                                    max_queue_size=10,
                                    workers=1,
                                    use_multiprocessing=False,
                                    verbose=0)

    # Evaluate predictions
    predictedClass = np.argmax(predictions, axis=1)
    trueClass = generator.classes
    classLabels = list(generator.class_indices.keys())

    # Create confusion matrix
    confusionMatrix = (confusion_matrix(
        y_true=trueClass,                                       # ground truth (correct) target values
        y_pred=predictedClass))                                 # estimated targets as returned by a classifier
    print(confusionMatrix)

使用

predict\u generator（）

，我得到

acc

值0.5。 我将

acc

计算为

（TP+TN）/（TP+TN+FP+FN）

---

• 我说得对吗，来自

  evaluate\u generator（）

  的

  acc

  是基于

  TP+TN/（TP+TN+FP+FN）

• 当我使用相同的数据和生成器时，

  acc

  怎么可能不同

解决此问题（评估和预测发电机精度）。您只需在代码中执行三件事：

（1） 设置

在来自\u目录的

test\u datagen.flow\u或来自\u dataframe的
test\u datagen.flow\u中

（2） 设置

在
模型中。预测\u生成器
和（3）变化

这些更改将使您的程序在主线程上执行，剩余索引并与图像id匹配。然后两种精度应相同

shuffle = False

workers = 0

trueClass = generator.classes[generator.index_array]