Keras 中的损失、指标和评分

Question

loss、metrics 和scoring 在构建keras 模型方面有什么区别？它们应该不同还是相同？在一个典型的模型中，我们使用所有三个 forGridSearchCV。

这是一个典型的回归模型的快照，它使用了这三个模型。

def create_model():

 model = Sequential()
 model.add(Dense(12, input_dim=1587, activation='relu'))
 model.add(Dense(1, activation='sigmoid'))

 model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mean_squared_error'])
 return model

model = KerasRegressor(build_fn=create_model, verbose=0)
batch_size = [10, 20, 40, 60, 80, 100]
epochs = [10, 50, 100]
param_grid = dict(batch_size=batch_size, epochs=epochs)
grid = GridSearchCV(estimator=model,param_grid=param_grid, scoring='r2' n_jobs=-1)
grid_result = grid.fit(X, Y)

Answer 1

不，它们都是在您的代码中用于不同目的的不同事物。

您的代码中有两个部分。

1) Keras 部分：

 model.compile(loss='mean_squared_error', 
               optimizer='adam', 
               metrics=['mean_squared_error'])

a)loss：在Compilation section of the documentation here，你可以看到：

损失函数是模型试图达到的目标 最小化。

所以这实际上是与optimizer 一起使用来实际训练模型

b)metrics：根据documentation：

度量函数类似于损失函数，除了 训练模型时不使用评估指标的结果。

这仅用于报告指标，以便使用（您）可以判断模型的性能。它不会影响模型的训练方式。

2) 网格搜索部分：

scoring：再次检查the documentation

单个字符串或可调用来评估测试集上的预测。

这用于查找您在param_grid 中定义的参数组合，它给出了最好的score。

它们可以很好地（在大多数情况下）不同，这取决于你想要什么。