binary_accuracy在keras Metrices中，预测一个样本为正和负的阈值是多少
在Keras Metrics中，binary_accuracy是一种用于衡量二分类模型性能的指标。它计算模型预测的样本标签与真实标签之间的准确率。
预测一个样本为正和负的阈值是0.5。当模型输出的概率大于0.5时，将样本预测为正类；当模型输出的概率小于等于0.5时，将样本预测为负类。
binary_accuracy的优势是简单直观，易于理解和解释。它可以帮助评估模型在二分类任务中的整体准确率。
适用场景：
- 二分类任务：binary_accuracy适用于二分类问题，如判断邮件是否为垃圾邮件、判断图像中是否包含特定物体等。
- 模型评估：binary_accuracy可以作为模型评估的指标之一，用于衡量模型在二分类任务中的性能。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云AI开放平台：https://cloud.tencent.com/product/ai
- 腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
- 腾讯云深度学习平台：https://cloud.tencent.com/product/dla
相关·内容
keras Metrices中binary_accuracy的阈值是多少，用于预测一个样本为正和负的情况？这个阈值是0.5吗？如何调整？我想设置阈值0.80，如果预测值是0.79，那么它被认为是负样本，否则，如果预测值是0.81，那么它被认为是正样本。
浏览 26提问于2017-01-14得票数 6
我需要实现朴素贝叶斯分类器并绘制ROC曲线
1) only 2 classes(Trousers and pullovers) out of 10 classes of the [FMNIST][1] dataset and then
2) second for all the ten classes without using scikit library and just basic matplotlib, pandas libraries from scratch.
我已经成功地实现了这两种情况下的朴素贝叶斯分类器，但我无法理解如何实现ROC曲线，因为它需要设置阈值。朴素贝叶斯分
浏览 1提问于2019-01-19得票数 0
回答已采纳
我用TensorFlow建立了一个基本的顺序神经网络。
model = tf.keras.Sequential([
Dense(16, activation='relu', input_shape=(X_train.shape[1],), kernel_regularizer=l1_l2(0.001, 0.001)),
Dropout(0.3),
BatchNormalization(),
Dense(64, activation='relu', kernel_regularizer=l1_l2(0.001, 0.001)),
浏览 0提问于2023-03-15得票数 1
回答已采纳
我用Keras创建了一个简单的二进制分类模型。守则是：
# create model
model = Sequential()
model.add(Dense(250, input_dim=1, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
# Compile model
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=
浏览 2提问于2020-12-18得票数 6
回答已采纳
我在试着把我的头转到tf.keras.metrics.SensitivityAtSpecificity。我同意感觉和特异性的概念，但我不确定这两者在这个单一的指标中是如何联系的。 更具体地说，我不确定如何解释num_thresholds参数。文档中的示例包含num_thresholds=1。使用相同的输入数据设置大于1的num_thresholds似乎总是返回1.0的度量值。 def print_metric_value(num_thresholds):
# other values based on docs example
m = tf.keras.metrics.Sen
浏览 94提问于2019-05-24得票数 4
回答已采纳
1回答
我有一个转换器模型，与用于时间序列数据的Keras示例代码几乎完全相同。我将采取股票信息处理实践通过转换器的分类，目标是一个简单的{0,1}分离的结果。这里的问题是，我得到的总是失去的nan，没有任何精度改进。请看我的模特：
def transformer_encoder(inputs, head_size, num_heads, ff_dim, dropout=0):
# Attention and Normalization
x = layers.MultiHeadAttention(
key_dim=head_size, num_heads=num_hea
浏览 2提问于2021-11-22得票数 0
2回答
简单的二进制分类示例任务。功能是二维数组，值为-1,1。(数据集来自来自make_circles的sklearn.datasets)
我的模特：
model = tf.keras.Sequential()
model.add(tf.keras.layers.Dense(6,
activation= tf.keras.activations.sigmoid,
input_shape=(2,),
ker
浏览 3提问于2021-08-09得票数 1
回答已采纳
1回答
Keras是如何从类概率中计算准确度的？例如，我们在测试集中有100个样本，它们可以属于两个类中的一个。我们也有一个阶级概率的列表。Keras使用什么阈值为这两个类中的任何一个分配一个示例？
浏览 0提问于2016-10-07得票数 39
回答已采纳
1回答
以下是keras指标函数的定义：
def binary_accuracy(y_true, y_pred):
return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
def categorical_accuracy(y_true, y_pred):
return K.cast(
K.equal(K.argmax(y_true, axis=-1), K.argmax(y_pred, axis=-1)), K.floatx())
例如，如果我有2个神经元的NN输出层，可以是: 0，1或1，0，并使用metrics=bi
浏览 0提问于2017-04-21得票数 0
2回答
火花情感分析的中立性
、、、
当然，我已经构建了一个非常基本的朴素贝叶斯，它是基于并使用mllib的。但我要澄清一下中立到底意味着什么。
据我所知，在给定的数据集中，有一些由必要的类组成的预先标记的句子，让我们以下面的3为例。
0-> Negative sentiment
1-> Positive sentiment
2-> Neutral sentiment
该中性点在训练集本身中预先标记。
有没有其他形式的中立处理。假设数据集中没有可用的中性句子，那么我是否可能根据概率的比例来计算它呢？
0.0 - 0.4 => Negative
0.4- - 0.6 => Neutral
0.6 - 1
浏览 4提问于2016-12-27得票数 1
回答已采纳
keras版本:2.0.8
在某些Keras度量函数和损失函数中，使用axis=-1作为参数。
例如：
def binary_accuracy(y_true, y_pred):
return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
就我而言：
Y_true形状：(4,256,256，2)
Y_pred形状：(4,256,256，2)
因此，binary_accuracy(y_true，y_pred)应该用shape=(4,256,256)返回张量，而不是标量张量。
但是当使用binary_accuracy作为度量函数时：
mo
浏览 3提问于2017-09-19得票数 7
回答已采纳
我在Keras中做ANN二进制分类，最后模型有sigmoid层。样本是否使用基于sigmoid函数的概率(由model_predict生成)进行分配(使用predict_classes )？我的意思是，当概率<0.5时，类0被分配，概率>0.5时类1被分配？
浏览 0提问于2020-05-20得票数 0
我是keras的初学者。我的数据集与任何普通数据集非常相似。它有382个特征中的每个都有25K个样本。我认为将每个样本视为一个序列，然后将它们提供给LSTM。keras训练数据集的维度是多少？我尝试(25K，382，1)，是真的吗？
x_train = np.reshape(x_train_values, (25K, 382, 1))
同样，在模型拟合中，我对模型input_shape也是这样使用的，是真的吗？
model.add(LSTM(379, activation="tanh", return_sequences=True, input_shape=(382, 1)))
浏览 0提问于2019-10-21得票数 0
1回答
我正在尝试实现一个多层感知器分类器，我有一个1000个样本的数据集。有6个要素和5个可能的不同标注
基于我对OneVsAll的理解，我们为每个标签创建一个二进制分类器，并用训练数据训练分类器。然而，我不明白我们如何将5个二进制分类器的结果组合在一起。另外，如果数据是有噪声的，并且两个二进制分类器预测测试样本是阳性的，会发生什么？如果所有标签二进制分类器都预测一个样本是负样本，那么我们该如何标记它呢？
浏览 4提问于2017-03-04得票数 0
回答已采纳
1回答
我训练了一个模型来将图片分为两种不同的类型。一切都运行得很好，但我的模型只能做一个特定的预测(在我的例子中是1或0)，但我感兴趣的是一个更像概率的预测(例如90%1和10%0)。我的代码中现在应该修改的部分在哪里？是不是sigmoid函数最终决定了它是1还是0？帮帮忙就好了。提前谢谢。
import numpy as np
from keras.callbacks import TensorBoard
from keras import regularizers
from keras.models import Sequential
from keras.layers import Activ
浏览 0提问于2020-11-08得票数 1
1回答
此时此刻，我正在使用Keras、sci-kit learn等进行图像分类。 我会试着解释所有的问题。就像我之前说的，这是一个多标签的图像分类。我的数据框包含4000个微观石油样本，标签表示当前样本中的一些粒子。下面我将举一个例子。 数据帧中的所有图像都有标签。想象一下，每个图像包含一个数组，其中有13个值，已经是二进制值，当然，1表示正，0表示负。 例如： [0, 1, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0] 这意味着对于每一张图像，可能有多个输出，在这种情况下，目标是给CNN一个油样，这可以返回图像中存在的粒子。 我不知道这是否足够清楚，很抱歉，现在我将解释我真正
浏览 17提问于2019-02-21得票数 0
回答已采纳
1回答
二元分类概率
、、、
我用R中的keras来预测金融时间序列。我猜安会聚了。
📷
但是当我做预测时，我可以看到概率不等于1
📷
我使用relu作为最终激活和loss = "binary_crossentropy"。这是否意味着网络不会汇合，或者我错过了其他的东西？
浏览 0提问于2019-01-13得票数 2
回答已采纳
我正在开发一个由前馈神经网络和随机森林分类器组成的混合模型，使用sklearn集成投票分类器，在拟合/训练阶段没有错误，但我在以下几行得到了这个误差：
**score = voting_classifier.score(test_x，test_y)
y_pred = voting_classifier_hard.predict(test_x)**
def create_model():
model = Sequential()
model.add(Dense(units=35,input_dim = train_x.shape[1], activation="selu&
浏览 17提问于2022-01-31得票数 0
3回答
为了对10种类型的图像进行分类，我使用Keras对基于卷积的序列模型进行了建模。我利用了categorical_crossentropy。我的问题是，尽管我通过包含验证数据在训练模型上获得了99%的准确率，但我在识别不属于10个类别中的任何一个类别的图像时遇到了问题。这样做的正确方式是什么？任何属于这些类型的测试图像都可以通过我的模型很好地分类。但是如果一个图像不是这些类型中的一个，我想把它归类为“未分类的图像”，我该怎么做呢？
非常感谢您提前给予的支持。
浏览 1提问于2017-10-19得票数 1
1回答
我的目标是提供一个简单的神经网络拟合，提供一个特定图的2个顶点，如果有链接则为1，如果没有链接则为0。
我对我的模型进行了拟合，拟合过程中损失约为0.40，准确率约为83%。然后，我通过提供一批所有阳性样本和几批阴性样本(利用random.sample)来评估该模型。我的模型对正样本损失约0.35和1.0精度，对负样本损失约0.46和0.68精度。
我对神经网络的理解非常有限，但据我所知，上面的理解意味着，当没有链接时，它在理论上总是正确的，但有时即使没有链接，它也可以输出1。
现在来看我的实际问题:我尝试通过model.predict用我的神经网络“重建”原始图形。问题是我不明白预测输出是什
浏览 1提问于2018-05-14得票数 2
我最近一直在使用TF2.0。我训练了一个简单的CNN模型(用Keras序列API)来对图像进行二值分类。我使用tf.data.Dataset从磁盘加载映像。实际上，该模型得到了很好的精度，列车binary_accuracy: 0.9831和验证binary_accuracy: 0.9494。
尝试使用model.evaluate()对模型进行评估。它的二进制精度为0.9460。但是当我尝试使用predict_classes()手工计算二进制精度时，我得到了大约0.384。我不知道是怎么回事。请帮帮我。
我添加了用于编译和训练模型的代码。还有评估我的模型的代码。
train_data = tf.
浏览 3提问于2019-11-09得票数 2
1回答
我使用预先训练过的VGG19对一个有四个类的数据集进行分类。为了计算精度，我使用了以下公式：
accuracy = sum(predictedLabels==testLabels)/numel(predictedLabels) --Eq 1
然后，我使用以下方法计算混淆矩阵：
confMat = confusionmat(testLabels, predictedLabels) **--Eq 2**
其中我得到了一个矩阵，它有4行4列，因为我有4个类。
现在，我们知道精度公式也是：
Accuracy=TP+TN/(TP+TN+FP+FN) **Eq-3**
因此，我也计算了精度，从我的混淆矩阵
浏览 0提问于2018-04-12得票数 0
回答已采纳
我一直在研究tensorflow模型，该模型使用动量指标预测股票市场的短期积极和负面趋势。我已经建立了模型，在过去的32个时间步骤中，每个指标都包含一个32x7矩阵。如果价格在最后一步后上涨，标签为1，如果保持不变或减少，则为0。
我有一个定制的度量函数，它输出每个时代的预测值和真值，我发现真值不是0或1，它们在7左右徘徊。对于二进制分类，这是没有帮助的，因为所有的预测也将徘徊在~7。有人能向我解释一下是什么原因导致模型以这种方式改变标签吗？
这是模型和前10个时代的截图供参考。
def true(y_true, y_pred):
return y_true
def pred(y_true
浏览 3提问于2021-04-01得票数 0
我正在对我的优惠券数据集进行逻辑回归，coupon.flag.value_counts()显示有22356个负样本和2961个正样本。但在构建logistic回归模型后，训练混淆度量中的正样本总数仅为51。(test_size= 0.3)有人能帮我找出问题所在吗？谢谢! coupon=pd.read_csv('L2_Week3.csv')
coupon=pd.get_dummies(coupon)
coupon.flag.value_counts()
0 22356
1 2961
Name: flag, dtype: int64
from sklearn.mo
浏览 17提问于2019-12-21得票数 0
我将Tensorflow对象检测API模型用于我的车牌号码检测项目。我用的是MobileNet SSD预训练的模型MobileNet我已经评估过我训练过的模型，只得到了平均的精确性和召回率。还有其他方法可以得到精确模型或混淆矩阵的值吗？
这是计算模型的命令代码。
command = "python {} --model_dir={} --pipeline_config_path={} --checkpoint_dir={}".format(TRAINING_SCRIPT, paths['CHECKPOINT_PATH'],files['PIPELINE_
浏览 5提问于2022-06-23得票数 0
1回答
Keras model.fit支持每个样本的权重。这些权重的可接受值范围是多少？在所有训练样本中，它们必须加到1？还是keras接受任何权重值，然后执行某种形式的规范化？keras源包括，例如training_utils.standardize_weights，但这似乎并不是在进行统计标准化。
浏览 1提问于2019-09-22得票数 0
回答已采纳
我已经训练并存储了一个随机森林二进制分类模型。现在，我正在尝试使用此模型模拟处理新的(样本外)数据。我的Python (Anaconda 3.6)代码是：
import h2o
import pandas as pd
import sys
localH2O = h2o.init(ip = "localhost", port = 54321, max_mem_size = "8G", nthreads = -1)
h2o.remove_all()
model_path = "C:/sm/BottleRockets/rf_model/DRF_model_
浏览 3提问于2017-08-06得票数 3
回答已采纳
我有一个模型已经工作，并有一个循环它的训练。您可以在这里看到循环：
for idx, (x, y) in enumerate(train_dataset):
pred = model.predict_on_batch(x)
print(model.test_on_batch(x, pred, reset_metrics=False, return_dict=True))
print(model.train_on_batch(x, y, reset_metrics=False))
print(f"After {idx} entries")
我想要创建一个自定义混淆
浏览 5提问于2022-03-21得票数 -1
回答已采纳
在执行语义分段任务时，请遵循此，
我注意到模型的最终预测输出不是0和1，
它由0.0000xxxx到1.0之间的十进制值组成。
因为模型只有0和1的标签，
输出中十进制值范围的含义是什么？
(像素属于某个类的可能性？)
test_img = cv2.imread('data/membrane1/test/0.png', cv2.IMREAD_COLOR)
test_img = cv2.resize(test_img, (SIZE_Y, SIZE_X))
test_img = cv2.cvtColor(test_img, cv2.COLOR_RGB2BGR)
test_i
浏览 5提问于2021-04-30得票数 2
回答已采纳
我正在试图理解在时代结束时，角化进度栏中所显示的"acc“的准确性是什么：
13/13 ============================== -0 76 0s /步进损失: 0.7100 - acc：0.4615
在一个时代的最后，应该是所有训练样本的模型预测的准确性。然而，当模型在相同的训练样本上进行评估时，实际的精度可能会有很大的不同。
下面是的改编示例。一种简单的顺序神经网络是对随机生成的数字进行二进制分类。批次大小与训练示例(13)的数量相同，因此每个时期只包含一个步骤。由于损失设置为binary_crossentropy，因此精度计算采用中定义的binary_
浏览 0提问于2019-07-11得票数 1
回答已采纳
下面是我如何加载包含图像数据的两个文件夹的数据：
train_ds = tf.keras.preprocessing.image_dataset_from_directory(
main_folder,
validation_split=0.1,
subset="training",
seed=123,
image_size=(dim, dim))
val_ds = tf.keras.preprocessing.image_dataset_from_directory(
main_folder,
validation_s
浏览 2提问于2021-02-25得票数 0
回答已采纳
这是我用过的所有文件，唯一没有的是图片
导入文件数据，我的数据是20只狗和20只猫的样本
import matplotlib.pyplot as plt
import os
import cv2
import random
DIR = 'assets'
CATEGORIES = ['Cat', 'Dog']
img_size = 50
training_data = []
def create_training_data():
for category in CATEGORIES:
path = os.path.
浏览 5提问于2021-11-29得票数 0
2回答
下面的图片对我来说肯定是有意义的。
假设你有一些经过训练的二进制分类器A，B (B并不比随机猜测等好多少)。以及一个由n个测试样本组成的测试集，用于所有这些分类器。由于对所有n个样本都计算了精确性和召回性，因此与分类器对应的点是有意义的。
现在，有时人们谈论ROC曲线，我知道精度是由回忆或简单的精确性(回忆)来表示的。
我不明白这种可变性是从何而来的，因为您有固定数量的测试样本。您是否只是选择测试集的某些子集，并找到精确性和回忆性，以便绘制它们，从而绘制许多离散值(或插值行)？
浏览 2提问于2015-08-13得票数 3
回答已采纳
1回答
我训练了一个关于乳腺癌数据集的基本FFNN。对于结果，precision_recall_curve函数给出416个不同阈值的数据点。我的数据包含569个唯一的预测值，据我所了解的精确召回曲线，我可以应用568个不同的阈值，并检查结果的精度和召回。
但我怎样做呢？是否有一种方法来设置使用sklearn测试的阈值数？或者至少解释一下sklearn如何选择这些阈值？
我的意思是417应该足够了，即使对于更大的数据集，我只是好奇它们是如何被选中的。
# necessary packages
from sklearn.datasets import load_breast_cancer
import p
浏览 0提问于2019-09-24得票数 13
回答已采纳
我正在尝试调试一个用于文本二进制分类的keras模型，该模型的性能非常差。
我关闭了所有的铃声和哨声，并尝试用两个不同的数据集(数据集的相同X数据，但不同的Y标签)来安装它：
Y0:拥有所有的Y=0
Y1:拥有所有的Y=1
每个数据集的大约1K样本。
然后，我尝试对模型进行多次拟合，以改变学习速度、层大小、one_hot之间的切换和字的整数编码表示等参数。
令人惊讶的是，这个测试揭示了一些指标给了我错误的结果：
为什么FN计数是阴性的？
我做了些支票。似乎负FalseNegative计数(例如：-87)会影响其他指标，例如，回忆(甚至大于1)、MAE、准确性等。
下面是我正在
浏览 0提问于2019-04-01得票数 0
为什么Tensorflow中Keras API的函数接受batch_size？据我所知，这个参数应该只与管理我们在训练期间每次迭代使用的样本数有关。在模型评估过程中，这种选择有什么影响？
浏览 1提问于2020-05-21得票数 1
1回答
https://machinelearningmastery.com/multivariate-time-series-forecasting-lstms-keras/
我试图使用一个略有不同的数据集来遵循本教程的代码，其中预测值为0或1:是否存在某物。我的数据是连续时间序列数据，还有其他连续变量是输入。在大多数情况下，sans列号和名称，我的代码与该教程中的代码几乎相同。然而，我的预测值在情节中如下所示：
📷
在改变这条“密集”线时：
model.add(Dense(1))
转入：
model.add(Dense(1, activation='sigmoid'))
以及编译行
浏览 0提问于2020-07-17得票数 0
1回答
目前，我正在使用1vsREST随机森林算法来解决使用Python的多类分类问题，我想为每个类找到最优的阈值，如何使用OVR (1-VS- Rest )方法来实现这一点？
浏览 0提问于2022-06-17得票数 2
背景：
我希望在定制的Keras度量中检索len(x)和x.shape[0]对于y_pred和y_true的相等值，而只使用Keras后端。
考虑一个最小的Keras度量示例：
from keras import backend as K
def binary_accuracy(y_true, y_pred):
return K.mean(K.equal(y_true, K.round(y_pred)), axis=-1)
这里，y_pred和y_true是表示一定形状的numpy数组的张量。
问题：
如何在keras度量函数中获取基础数组的长度，以便生成的代码将以下列形式显示：
d
浏览 0提问于2019-02-10得票数 0
4回答
有人能解释一下混乱矩阵背后的逻辑吗？
真阳性(TP)：预测为正，实际结果为正，结果为“真正”--没有疑问。
假阴性(FN)：预测为阴性，实际结果为正，结果为“假阴性”--为什么？不是应该是“假阳性”吗？
假阳性:预测为阳性，实际结果为阴性，结果为“假阳性”--为什么？不是应该是“正反”吗？
真负(TN)：预测是负面的，实际结果是负面的，结果是‘正负’--为什么？不应该是“假阴性”吗？
📷
浏览 0提问于2019-03-21得票数 6
2回答
我正在做有毒评论文本分类Kaggle挑战。有6个类：['threat', 'severe_toxic', 'obscene', 'insult', 'identity_hate', 'toxic']。一个评论可以是这些类别中的多个，因此这是一个多标签分类问题。
我用Keras构建了一个基本的神经网络，如下所示：
model = Sequential()
model.add(Embedding(10000, 128, input_length=250))
model.add(Flatten())
mo
浏览 1提问于2018-06-05得票数 19
1回答
嗨，我正在用自动编码器进行异常检测，当我给出异常点作为测试数据时，我用‘非异常’values.Now训练了模型。
我应该给出的重建误差阈值是多少才能将其归类为是否异常？
目前我已经将其设置为0.1，但它没有发现任何异常(实际上测试数据有很多异常)，在设置值之前我应该考虑哪些因素？
浏览 0提问于2019-02-22得票数 1
我已经建立了一个分类模型来预测二进制类。我能计算精确，回忆，和F1分数。现在，我要生成ROC，以便更好地理解我的分类模型的分类性能。我不知道如何计算不同阈值的TPR和FPR。
浏览 0提问于2018-11-06得票数 3
回答已采纳
目前，我正在使用tensorflow和来自keras应用程序的ImageNet预训练EfficientNetB0开发一个图像错误分类器。作为度量，我使用假阳性(fp)、真阳性(tp)、假阴性(fn)、真阴性(tn)……我对像fp、tp、fn和tn这样的度量的问题是，它们在训练期间不是真正的整数值(即tp = 4883.6257)，并且只有在验证期间它们才是整数值。据我所知，这些指标应该始终是整数，因为它们只是假阳性预测样本的数量。在训练过程中，keras在计算这些值时有没有遗漏什么？ 作为输入管道，我使用tensorflow ImageDataGenerator和.flow_from_dat
浏览 17提问于2020-11-02得票数 0
1回答
我正在用一个超级简单的二进制网络学习神经网络。这个网络所要做的就是“学习”预测只依赖于Data and Target提供的数据集的第一列。它运行正常，但在尝试测试网络时，我收到错误消息 ValueError: Input 0 of layer dense_38 is incompatible with the layer:
expected axis -1 of input shape to have value 3 but received input with shape
[None, 1] 我不明白dense-38是指哪一层，不是应该只有18个神经元在第一层，然后是2个，然后是1个
浏览 14提问于2021-08-13得票数 0
2回答
在平衡数据集上训练神经网络，具有较好的精度~85%。但在现实世界中，大约10%的病例出现阳性反应。当我用真实世界的分布测试网络时，它似乎分配了比需要更多的正面标签，并且倾向于均衡比例，就像在训练集中一样。造成这种行为的原因是什么，我应该做什么来解决？我使用Keras和LSTM和CNN层的组合。
浏览 0提问于2019-04-07得票数 6
回答已采纳
我试着训练一个预测1级和0级的模型。我使用一个平衡的数据集进行训练，分类器的输入是一个预先训练过的形状嵌入(466,1024)。
问题是我的模型只能预测0级。
我有一个auc 0.5和不变的准确性。
我试图更改优化器/学习率/层中单元的丢失/数量和激活函数，但我仍然存在相同的问题。
我正在使用这个分类器：
model = tf.keras.models.Sequential([
Dense(n_input, input_shape = (n_input,), activation = elu), # Input layer
Dense(n_hidden1, act
浏览 4提问于2021-08-04得票数 0
回答已采纳
1回答
我正在设计一个二进制分类器，并想知道如何最好地量化最终模型分类中的不确定性。设计过程包括先对模型进行训练，然后进行ROC分析，最后选择一个阈值，使虚警概率为0.01。因此，当一个未知样本被传递到这个分类器中时，它输出一个介于0到1之间的数字，如果这个数字高于阈值，则将该样本分类为1类(C1)，如果该数目低于该阈值，则将其分类为C0。
我的问题是如何设计一个信心评分围绕最终的分类。假设我的门槛是0.9。因此，如果模型输出的分数为0.91，那么我的样本被分类为C1，但是如果输出分数为0.89，则样本被分类为C0。直观地说，给出这些分数中的每一个，我对标签的信心应该低于模型输出分别为0.99或0.0
浏览 0提问于2021-03-11得票数 1
我一直在用Python中的Tensorflow后端使用Keras进行二进制分类。我的模型是这样创建的：
model = Sequential()
model.add(Dense(1000, input_dim=168319))
model.add(Dense(units=1, activation='sigmoid'))
model.compile(loss="binary_crossentropy",
optimizer="adam",
metrics=['accuracy'])
我训练后
浏览 0提问于2018-12-07得票数 0
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
