評價函式用於評估當前訓練模型的效能。當模型編譯後（compile），評價函式應該作為metrics的引數來輸入。
model.compile(loss='mean_squared_error',
optimizer='sgd',
metrics=['mae', 'acc']) # 這就是評價函式，或者說評價指標
# 或者是
from keras import metrics
model.compile(loss='mean_squared_error',
optimizer='sgd',
metrics=[metrics.mae, metrics.categorical_accuracy])
評價函式和 損失函式 相似，只不過評價函式的結果不會用於訓練過程中。我們可以傳遞已有的評價函式名稱，或者傳遞乙個自定義的 theano/tensorflow 函式來使用（查閱自定義評價函式）。
binary_accuracy (二分類的準確率)
categorical_accuracy (多分類的準確率)
sparse_categorical_accuracy
top_k_categorical_accuracy
sparse_top_k_categorical_accuracy
keras評估模型
當建立好模型並且用來訓練之後，如何評估模型的好壞，準確度又如何呢？三種常用方法 1 使用自動驗證方法 在 fit 函式中增加乙個validation split引數，該引數用來進行驗證效果 該引數可以自由設定，一般設定為20 或者30 也就是測試集佔總資料集的20 或者30 的資料用來進行驗證，其餘...
keras評估模型
目錄 keras評估模型 自動評估 手動評估 手動分離資料集 利用交叉驗證 usr bin env python coding utf 8 author jia shilin 通過fit 函式分割引數,設定資料集百分比,from keras.models import sequential from...
資料質量評估標準
資料質量是保證資料應用的基礎，它的評估標準主要包括四個方面，完整性 一致性 準確性 及時性。評估資料是否達到預期設定的質量要求，就可以通過這四個方面來進行判斷。完整性完整性指的是資料資訊是否存在缺失的狀況，資料缺失的情況可能是整個資料記錄缺失，也可能是資料中某個字段資訊的記錄缺失。不完整的資料所能借...