Python Keras-在编译模型时,应使用什么样的精度指标以及稀疏的分类交叉熵
当我有两个类时,我使用Python Keras-在编译模型时,应使用什么样的精度指标以及稀疏的分类交叉熵,python,tensorflow,keras,cross-entropy,Python,Tensorflow,Keras,Cross Entropy,当我有两个类时,我使用binary\u crossentropy作为loss值来编译一个模型: model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy']) 但是现在我有5个类&我不使用热编码特性。所以我选择了sparse\u categorical\u crossentropy作为loss值。但是准确度指标应该是什么,因为源代码表明有多个准确度指标可用。我试过: model.compi
binary\u crossentropy
作为loss
值来编译一个模型:
model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['accuracy'])
但是现在我有5个类&我不使用热编码特性。所以我选择了sparse\u categorical\u crossentropy
作为loss
值。但是准确度指标应该是什么,因为源代码表明有多个准确度指标可用。我试过:
model.compile(optimizer='rmsprop', loss='sparse_categorical_crossentropy', metrics=['sparse_categorical_accuracy'])
那么这是正确的还是我应该只使用分类准确性
sparse\u categorical\u准确性
是一个正确的度量标准
稀疏分类熵
但是为什么要使用稀疏的分类熵呢?你们有什么课程<代码>稀疏分类熵用于整数输出。但是如果你有一个热编码的目标,你应该使用categorical\u crossentropy
作为损失函数,使用accurity
或categorical\u accurity
作为度量标准
更新:
使用以下代码解决分类问题:
model.add(Dense(5, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
我不知道如何使用热编码。这就是为什么我发布了Use
keras.utils.to_category
函数。我已经生成了一个热编码向量,但我不知道如何使用它创建模型。你能给我举个例子吗?