多标签分类Keras指标

Question

对于Keras中的多标签分类，哪个指标更好：accuracy或categorical_accuracy？显然，最后一个激活函数是sigmoid，在这种情况下，丢失函数是binary_crossentropy。

Answer 1

对于分类不平衡的分类任务，我不会使用“准确性”。 特别是对于多标签任务，您可能大多数标签都为False。即，与所有可能标签的基数相比，每个数据点只能具有少量标签。 因此，准确性不是一个好的指标，如果您的模型预测所有False（S型激活输出<0.5），那么您将获得非常高的准确性。

我将在每个时期分析AUC或召回率/精度。 另外，也可以将多标签任务视为排名任务（例如Recommender Systems），您可以评估precision @ k或callback @ k，其中k是预测的最高标签。

如果您的Keras后端是TensorFlow，请在此处查看支持的指标的完整列表：https://www.tensorflow.org/api_docs/python/tf/keras/metrics。

Answer 2

实际上，Keras中没有名为accuracy的指标。在Keras中设置metrics=['accuray']时，将根据使用的损失函数自动推断出正确的精度指标。结果，由于您已使用binary_crossentropy作为损失函数，因此将选择binary_accuracy作为度量。

现在，在多标签分类任务中，您绝对应该选择binary_accuracy而不是categorical_accuracy，因为类别彼此独立，每个类别的预测都应独立于其他类别的预测