Keras 3 API 文档 / 指标 / 回归指标

回归指标

[来源]

MeanSquaredError

keras.metrics.MeanSquaredError(name="mean_squared_error", dtype=None)

计算y_truey_pred之间的均方误差。

公式

loss = mean(square(y_true - y_pred))

参数

  • name: (可选)指标实例的字符串名称。
  • dtype: (可选)指标结果的数据类型。

示例

>>> m = keras.metrics.MeanSquaredError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.25

[来源]

RootMeanSquaredError

keras.metrics.RootMeanSquaredError(name="root_mean_squared_error", dtype=None)

计算y_truey_pred之间的均方根误差指标。

公式

loss = sqrt(mean((y_pred - y_true) ** 2))

参数

  • name: (可选)指标实例的字符串名称。
  • dtype: (可选)指标结果的数据类型。

示例

示例

>>> m = keras.metrics.RootMeanSquaredError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.5
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
...                sample_weight=[1, 0])
>>> m.result()
0.70710677

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='mse',
    metrics=[keras.metrics.RootMeanSquaredError()])

[来源]

MeanAbsoluteError

keras.metrics.MeanAbsoluteError(name="mean_absolute_error", dtype=None)

计算标签和预测之间的平均绝对误差。

公式

loss = mean(abs(y_true - y_pred))

参数

  • name: (可选)指标实例的字符串名称。
  • dtype: (可选)指标结果的数据类型。

示例

>>> m = keras.metrics.MeanAbsoluteError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.25
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
...                sample_weight=[1, 0])
>>> m.result()
0.5

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='mse',
    metrics=[keras.metrics.MeanAbsoluteError()])

[来源]

MeanAbsolutePercentageError

keras.metrics.MeanAbsolutePercentageError(
    name="mean_absolute_percentage_error", dtype=None
)

计算y_truey_pred之间的平均绝对百分比误差。

公式

loss = 100 * mean(abs((y_true - y_pred) / y_true))

参数

  • name: (可选)指标实例的字符串名称。
  • dtype: (可选)指标结果的数据类型。

示例

示例

>>> m = keras.metrics.MeanAbsolutePercentageError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
250000000.0
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
...                sample_weight=[1, 0])
>>> m.result()
500000000.0

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='mse',
    metrics=[keras.metrics.MeanAbsolutePercentageError()])

[来源]

MeanSquaredLogarithmicError

keras.metrics.MeanSquaredLogarithmicError(
    name="mean_squared_logarithmic_error", dtype=None
)

计算y_truey_pred之间的均方对数误差。

公式

loss = mean(square(log(y_true + 1) - log(y_pred + 1)))

参数

  • name: (可选)指标实例的字符串名称。
  • dtype: (可选)指标结果的数据类型。

示例

示例

>>> m = keras.metrics.MeanSquaredLogarithmicError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.12011322
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
...                sample_weight=[1, 0])
>>> m.result()
0.24022643

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='mse',
    metrics=[keras.metrics.MeanSquaredLogarithmicError()])

[来源]

CosineSimilarity

keras.metrics.CosineSimilarity(name="cosine_similarity", dtype=None, axis=-1)

计算标签和预测之间的余弦相似度。

公式

loss = sum(l2_norm(y_true) * l2_norm(y_pred))

参见:余弦相似度。此指标保持数据流中predictionslabels之间的平均余弦相似度。

参数

  • name: (可选)指标实例的字符串名称。
  • dtype: (可选)指标结果的数据类型。
  • axis: (可选)默认为-1。计算余弦相似度的维度。

示例

示例

>>> # l2_norm(y_true) = [[0., 1.], [1./1.414, 1./1.414]]
>>> # l2_norm(y_pred) = [[1., 0.], [1./1.414, 1./1.414]]
>>> # l2_norm(y_true) . l2_norm(y_pred) = [[0., 0.], [0.5, 0.5]]
>>> # result = mean(sum(l2_norm(y_true) . l2_norm(y_pred), axis=1))
>>> #        = ((0. + 0.) +  (0.5 + 0.5)) / 2
>>> m = keras.metrics.CosineSimilarity(axis=1)
>>> m.update_state([[0., 1.], [1., 1.]], [[1., 0.], [1., 1.]])
>>> m.result()
0.49999997
>>> m.reset_state()
>>> m.update_state([[0., 1.], [1., 1.]], [[1., 0.], [1., 1.]],
...                sample_weight=[0.3, 0.7])
>>> m.result()
0.6999999

compile() API 一起使用

model.compile(
    optimizer='sgd',
    loss='mse',
    metrics=[keras.metrics.CosineSimilarity(axis=1)])

[来源]

LogCoshError

keras.metrics.LogCoshError(name="logcosh", dtype=None)

计算预测误差的双曲余弦的对数。

公式

error = y_pred - y_true
logcosh = mean(log((exp(error) + exp(-error))/2), axis=-1)

参数

  • name: (可选)指标实例的字符串名称。
  • dtype: (可选)指标结果的数据类型。

示例

示例

>>> m = keras.metrics.LogCoshError()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]])
>>> m.result()
0.10844523
>>> m.reset_state()
>>> m.update_state([[0, 1], [0, 0]], [[1, 1], [0, 0]],
...                sample_weight=[1, 0])
>>> m.result()
0.21689045

compile() API 一起使用

model.compile(optimizer='sgd',
              loss='mse',
              metrics=[keras.metrics.LogCoshError()])

[来源]

R2Score

keras.metrics.R2Score(
    class_aggregation="uniform_average", num_regressors=0, name="r2_score", dtype=None
)

计算 R2 分数。

公式

sum_squares_residuals = sum((y_true - y_pred) ** 2)
sum_squares = sum((y_true - mean(y_true)) ** 2)
R2 = 1 - sum_squares_residuals / sum_squares

这也被称为决定系数

它表示拟合的回归线与真实数据的接近程度。

  • 可能达到的最高分数为 1.0。它表示预测变量完美地解释了目标的变化。
  • 分数为 0.0 表示预测变量无法解释目标的变化。
  • 如果模型比随机模型更差,它也可能为负值。

此指标还可以计算“调整后的 R2”分数。

参数

  • class_aggregation: 指定如何聚合对应于不同输出类(或目标维度)的分数,即预测结果最后一轴上的不同维度。等效于 Scikit-Learn 中的multioutput参数。应为None(不聚合)、"uniform_average""variance_weighted_average"之一。
  • num_regressors: 使用的独立回归器数量(“调整后的 R2”分数)。0 是标准 R2 分数。默认为0
  • name: 可选。指标实例的字符串名称。
  • dtype: 可选。指标结果的数据类型。

示例

>>> y_true = np.array([[1], [4], [3]], dtype=np.float32)
>>> y_pred = np.array([[2], [4], [4]], dtype=np.float32)
>>> metric = keras.metrics.R2Score()
>>> metric.update_state(y_true, y_pred)
>>> result = metric.result()
>>> result
0.57142854