为Keras中的“分类交叉熵”选择验证度量

Question

我正在研究这两个问题和文件：

Whats the output for Keras categorical_accuracy metrics?

Categorical crossentropy need to use categorical_accuracy or accuracy as the metrics in keras?

https://keras.io/api/metrics/probabilistic_metrics/#categoricalcrossentropy-class

对于X射线图像的分类I（15类），我做：

# Compile a model
model1.compile(optimizer = 'adam', loss = 'categorical_crossentropy', 
metrics = ['accuracy']) 

# Fit the model
history1 = model1.fit_generator(train_generator, epochs = 10, 
steps_per_epoch = 10, verbose = 1, validation_data = valid_generator)

我的模型工作正常，我有一个输出：

但我不知道如何在这里添加验证准确性，以比较结果并避免过度/欠拟合

Answer 1

我希望以下内容可以帮助您：

使用"categorical_crossentropy"告诉我标签是不同类上的一个热编码

假设你有15个类，正确的预测应该是一个有14个零的向量，在相应的索引处有一个。在这种情况下"accuracy"将非常高，因为您的模型将正确地预测几乎处处为零，因此准确度应该至少为13/15=0.86

一个更合适的度量是"categorical_accuracy"，如果模型预测了正确的索引，那么它将为1，否则为0

如果您的验证"categorical_accuracy"优于1/15=0.067（假设您的类已正确平衡），则您的模型优于random

您可以在keras metrics找到度量的列表