在将预测四舍五入后，如何在 keras 中计算回归模型的准确性？答案

【问题标题】：How do you compute accuracy in a regression model, after rounding predictions to classes, in keras?在将预测四舍五入后，如何在 keras 中计算回归模型的准确性？
【发布时间】：2017-07-28 16:02:19
【问题描述】：

您将如何在 keras 中为回归问题创建和显示准确度指标，例如在将预测四舍五入到最接近的整数类之后？

虽然准确度本身并没有按惯例有效地定义回归问题，但要确定数据的序数类/标签，将问题视为回归是合适的。但是，计算一个准确度指标会很方便，无论是 kappa 还是其他类似的指标。这是要修改的基本 keras 样板代码。

from keras.models import Sequential
from keras.layers.core import Dense, Activation

model = Sequential()
model.add(Dense(10, 64))
model.add(Activation('tanh'))
model.add(Dense(64, 1))
model.compile(loss='mean_absolute_error', optimizer='rmsprop')

model.fit(X_train, y_train, nb_epoch=20, batch_size=16)
score = model.evaluate(X_test, y_test, batch_size=16)

【问题讨论】：

标签： python machine-learning tensorflow deep-learning keras

【解决方案1】：

我使用这样的舍入精度：

from keras import backend as K

def soft_acc(y_true, y_pred):
    return K.mean(K.equal(K.round(y_true), K.round(y_pred)))

model.compile(..., metrics=[soft_acc])

【讨论】：

知道如何实现 K.equal，但公差为 +/- 某个值（例如，如果在某个 epsilon 差异范围内，则认为张量相等）？

【解决方案2】：

Thomas 的回答几乎概括了这个问题。只是一个小补充，因为我被困在这个。这里的“K”是

import keras.backend as K

def soft_acc(y_true, y_pred):
return K.mean(K.equal(K.round(y_true), K.round(y_pred)))

model.compile(..., metrics=[soft_acc])

【讨论】：