迴歸指標
MeanSquaredError 類別
keras.metrics.MeanSquaredError(name="mean_squared_error", dtype=None)
計算 y_true 和 y_pred 之間的均方誤差。
公式
loss = mean(square(y_true - y_pred))
參數
- name：(可選) 指標實例的字串名稱。
- dtype：(可選) 指標結果的資料類型。
範例
>>> m = keras.metrics.MeanSquaredError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.25
RootMeanSquaredError 類別
keras.metrics.RootMeanSquaredError(name="root_mean_squared_error", dtype=None)
計算 y_true 和 y_pred 之間的均方根誤差指標。
公式
loss = sqrt(mean((y_pred - y_true) ** 2))
參數
- name：(可選) 指標實例的字串名稱。
- dtype：(可選) 指標結果的資料類型。
範例
>>> m = keras.metrics.RootMeanSquaredError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
... sample_weight=[1, 0])
>>> m.result()
0.70710677
搭配 compile() API 使用
model.compile(
optimizer='sgd',
loss='mse',
metrics=[keras.metrics.RootMeanSquaredError()])
MeanAbsoluteError 類別
keras.metrics.MeanAbsoluteError(name="mean_absolute_error", dtype=None)
計算標籤和預測之間的平均絕對誤差。
公式
loss = mean(abs(y_true - y_pred))
參數
- name：(可選) 指標實例的字串名稱。
- dtype：(可選) 指標結果的資料類型。
範例
>>> m = keras.metrics.MeanAbsoluteError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.25
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
... sample_weight=[1, 0])
>>> m.result()
0.5
搭配 compile() API 使用
model.compile(
optimizer='sgd',
loss='mse',
metrics=[keras.metrics.MeanAbsoluteError()])
MeanAbsolutePercentageError 類別
keras.metrics.MeanAbsolutePercentageError(
name="mean_absolute_percentage_error", dtype=None
)
計算 y_true 和 y_pred 之間的平均絕對百分比誤差。
公式
loss = 100 * mean(abs((y_true - y_pred) / y_true))
參數
- name：(可選) 指標實例的字串名稱。
- dtype：(可選) 指標結果的資料類型。
範例
>>> m = keras.metrics.MeanAbsolutePercentageError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
250000000.0
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
... sample_weight=[1, 0])
>>> m.result()
500000000.0
搭配 compile() API 使用
model.compile(
optimizer='sgd',
loss='mse',
metrics=[keras.metrics.MeanAbsolutePercentageError()])
MeanSquaredLogarithmicError 類別
keras.metrics.MeanSquaredLogarithmicError(
name="mean_squared_logarithmic_error", dtype=None
)
計算 y_true 和 y_pred 之間的均方對數誤差。
公式
loss = mean(square(log(y_true + 1) - log(y_pred + 1)))
參數
- name：(可選) 指標實例的字串名稱。
- dtype：(可選) 指標結果的資料類型。
範例
>>> m = keras.metrics.MeanSquaredLogarithmicError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.12011322
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
... sample_weight=[1, 0])
>>> m.result()
0.24022643
搭配 compile() API 使用
model.compile(
optimizer='sgd',
loss='mse',
metrics=[keras.metrics.MeanSquaredLogarithmicError()])
CosineSimilarity 類別
keras.metrics.CosineSimilarity(name="cosine_similarity", dtype=None, axis=-1)
計算標籤和預測之間的餘弦相似度。
公式
loss = sum(l2_norm(y_true) * l2_norm(y_pred))
請參閱：餘弦相似度。此指標會保留資料流中 predictions 和 labels 之間的平均餘弦相似度。
參數
- name：(可選) 指標實例的字串名稱。
- dtype：(可選) 指標結果的資料類型。
- axis：(可選) 預設為
-1。計算餘弦相似度的維度。
範例
>>> # l2_norm(y_true) = [[0., 1.], [1./1.414, 1./1.414]]
>>> # l2_norm(y_pred) = [[1., 0.], [1./1.414, 1./1.414]]
>>> # l2_norm(y_true) . l2_norm(y_pred) = [[0., 0.], [0.5, 0.5]]
>>> # result = mean(sum(l2_norm(y_true) . l2_norm(y_pred), axis=1))
>>> # = ((0. + 0.) + (0.5 + 0.5)) / 2
>>> m = keras.metrics.CosineSimilarity(axis=1)
>>> m.update_state([[0., 1.], [1., 1.]], [[1., 0.], [1., 1.]])
>>> m.result()
0.49999997
>>> m.reset_state()
>>> m.update_state([[0., 1.], [1., 1.]], [[1., 0.], [1., 1.]],
... sample_weight=[0.3, 0.7])
>>> m.result()
0.6999999
搭配 compile() API 使用
model.compile(
optimizer='sgd',
loss='mse',
metrics=[keras.metrics.CosineSimilarity(axis=1)])
LogCoshError 類別
keras.metrics.LogCoshError(name="logcosh", dtype=None)
計算預測誤差的雙曲餘弦對數。
公式
error = y_pred - y_true
logcosh = mean(log((exp(error) + exp(-error))/2), axis=-1)
參數
- name：(可選) 指標實例的字串名稱。
- dtype：(可選) 指標結果的資料類型。
範例
>>> m = keras.metrics.LogCoshError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.10844523
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
... sample_weight=[1, 0])
>>> m.result()
0.21689045
搭配 compile() API 使用
model.compile(optimizer='sgd',
loss='mse',
metrics=[keras.metrics.LogCoshError()])
R2Score 類別
keras.metrics.R2Score(
class_aggregation="uniform_average", num_regressors=0, name="r2_score", dtype=None
)
計算 R2 分數。
公式
sum_squares_residuals = sum((y_true - y_pred) ** 2)
sum_squares = sum((y_true - mean(y_true)) ** 2)
R2 = 1 - sum_squares_residuals / sum_squares
這也稱為判定係數。
它表示擬合迴歸線與真實資料的接近程度。
- 可能最高的分數是 1.0。這表示預測變數可以完美地解釋目標中的變異。
- 分數為 0.0 表示預測變數無法解釋目標中的變異。
- 如果模型比隨機更差，它也可能是負數。
此指標也可以計算「調整後的 R2」分數。
參數
- class_aggregation：指定如何彙總對應於不同輸出類別（或目標維度）的分數，即預測的最後一個軸上的不同維度。相當於 Scikit-Learn 中的
multioutput參數。應該是None（不彙總）、"uniform_average"、"variance_weighted_average"其中之一。 - num_regressors：使用的獨立迴歸器數量（「調整後的 R2」分數）。0 是標準的 R2 分數。預設為
0。 - name：可選。指標實例的字串名稱。
- dtype：可選。指標結果的資料類型。
範例
>>> y_true = np.array([[1], [4], [3]], dtype=np.float32)
>>> y_pred = np.array([[2], [4], [4]], dtype=np.float32)
>>> metric = keras.metrics.R2Score()
>>> metric.update_state(y_true, y_pred)
>>> result = metric.result()
>>> result
0.57142854