准确率：精度：召回率：0.9020 始终相同答案

【问题标题】：accuracy: precision: recall: 0.9020 are always the same准确率：精度：召回率：0.9020 始终相同
【发布时间】：2021-05-09 20:45:57
【问题描述】：

我的测试数据集中有5960 图像：我得到了结果指标：

TP: 5116.0  
FP: 794.0   
TN: 5116.0  
FN: 794.0

len(testX) = 5960

一个纪元的日志：

185/185 [==============================] - 1s 6ms/step - loss: 0.4095 - 
                                           tp: 5127.0000 - fp: 783.0000 - 
                                           tn: 5127.0000 - fn: 783.0000 - 
                                           accuracy: 0.8675 - precision: 0.8675 - 
                                           recall: 0.8675 - auc: 0.9200

加载图片：

label = 1 if label == "positive" else 0
...
(trainX, testX, trainY, testY) = train_test_split(data, labels,
test_size=0.2, random_state=42)
# convert the labels from integers to vectors
testY = to_categorical(testY, num_classes=2)

我使用了 keras.metrics，但我只有两个标签：（0 和 1）。我做错了什么？

loss, tp, fp, tn, fn, accuracy, precision, recall, auc = model.evaluate(testX, testY, verbose=1)

我认为当 image1 有标签'1'时，

它将 +1 添加到 TP（标签 '1'）
+1 到 TN（标签“0”）。

我的模特：

    model.add(Conv2D(20, (5, 5), padding="same",
        input_shape=inputShape))
    model.add(Activation("relu"))
    model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

    # second set of CONV => RELU => POOL layers
    model.add(Conv2D(50, (5, 5), padding="same"))
    model.add(Activation("relu"))
    model.add(MaxPooling2D(pool_size=(2, 2), strides=(2, 2)))

    # first (and only) set of FC => RELU layers
    model.add(Flatten())
    model.add(Dense(500))
    model.add(Activation("relu"))
    model.add(Dropout(0.05))

    # softmax classifier
    model.add(Dense(classes))
    model.add(Activation("softmax"))

【问题讨论】：

你能添加你的模型吗？
完成。我添加了一个模型。
您对标签应用了一种热编码操作？什么是损失函数？有什么不对劲。 len(testX) = 5960 应该等于 TP + TN + FP + FN
是的。我同意你的看法。但我不知道为什么......
我添加了更多代码。

标签： keras metrics

【解决方案1】：

当您将 one-hot-encoding 应用于二进制分类时，这些指标就会混乱。这是一个例子：

您的标签在一次热编码后如下所示：[ ... [1,0], [0,1], [1,0] ... ]

如果你注意你的TP 等于TN。当正确预测为 0 类时，0 类为 TP，1 类也为 TN。这就是它们相等的原因。

不要应用一种热编码和更改：

model.add(Dense(1))
model.add(Activation("sigmoid"))

同样损失应该是binary_crossentropy。

【讨论】：