Ich möchte die Genauigkeit, den Rückruf und den F1-Score für mein binäres KerasClassifier-Modell berechnen, finde aber keine Lösung.
Hier ist mein aktueller Code:
# Split dataset in train and test data
X_train, X_test, Y_train, Y_test = train_test_split(normalized_X, Y, test_size=0.3, random_state=seed)
# Build the model
model = Sequential()
model.add(Dense(23, input_dim=45, kernel_initializer='normal', activation='relu'))
model.add(Dense(1, kernel_initializer='normal', activation='sigmoid'))
# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
tensorboard = TensorBoard(log_dir="logs/{}".format(time.time()))
time_callback = TimeHistory()
# Fit the model
history = model.fit(X_train, Y_train, validation_split=0.3, epochs=200, batch_size=5, verbose=1, callbacks=[tensorboard, time_callback])
Und dann prognostiziere ich neue Testdaten und erhalte die Verwirrungsmatrix wie folgt:
y_pred = model.predict(X_test)
y_pred =(y_pred>0.5)
list(y_pred)
cm = confusion_matrix(Y_test, y_pred)
print(cm)
Aber gibt es eine Lösung, um den Genauigkeitswert, den F1-Wert, die Präzision und den Rückruf zu erhalten? (Wenn nicht kompliziert, auch die Kreuzvalidierungsbewertung, aber für diese Antwort nicht erforderlich)
Vielen Dank für jede Hilfe!
Sie können den Scikit-Learn-Klassifizierungsbericht verwenden . Um Ihre Beschriftungen in ein numerisches oder binäres Format zu konvertieren, schauen Sie sich den scikit-learn-Beschriftungscodierer an .
was gibt Ihnen (Ausgabe aus dem Scikit-Learn-Beispiel kopiert):
quelle
Sie können es auch wie unten beschrieben versuchen.
quelle
Versuchen Sie Folgendes : https://scikit-learn.org/stable/modules/generated/sklearn.metrics.precision_recall_fscore_support.html mit Y_test, y_pred als Parametern.
quelle