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
测试覆盖率
由于某些软件处理覆盖有时会得到稍有不同的结果，下面是其中的三个：
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。
欢迎加入QQ群-->： 979659372
