与Keras NN库集成的其他指标,直接取自“tensorflow<https://www.tensorflow.org/api_docs/python/tf/metrics/>`_
extra-keras-metrics的Python项目详细描述
与keras nn库集成的其他度量,直接从Tensorflow
如何安装此软件包?
像往常一样,只需使用pip:
pip install extra_keras_metrics
这个包裹怎么用?
通过导入它,您将能够访问所有非参数度量,例如“auprc”和“auroc”:
importextra_keras_metricsmodel=my_keras_model()model.compile(optimizer="sgd",loss="binary_crossentropy",metrics=["auroc","auprc"])
对于参数度量,如k处的平均精度,您需要导入它们,如:
fromextra_keras_metricsimportaverage_precision_at_kmodel=my_keras_model()model.compile(optimizer="sgd",loss="binary_crossentropy",metrics=[average_precision_at_k(1),average_precision_at_k(2)])
这样,在模型的历史中,您将发现索引为“Average_Precision_at_k_1”和“Average_Precision_at_k_2”的度量。
我能得到哪些指标?
您将直接从Tensorflow获取以下所有度量。在撰写本文时,可用的选项如下:
non-parametric是(根据sklearn提供的内容进行测试):
- AUPRC
- 极光
- 假阴性
- 假阳性
- 平均绝对误差
- 均方误差
- 精度
- 回忆
- 均方根误差
- 真负片
- 真阳性
parametric是(只测试执行,sklearn中没有可用的基线):
- K下的平均精度
- 精确到K
- 在K处召回
- 特异性敏感度
- 灵敏度下的特异性
额外费用
我还创建了另外两个您可能会喜欢的包:一个名为extra_keras_utils,其中包含一些用于keras项目的常用代码,另一个名为plot_keras_history,它自动绘制keras培训历史。