tensorflow - Keras的损失，指标和得分

建立loss模型时，metrics，scoring和keras有什么区别？它们应该不同还是相同？在一个典型的模型中，我们将所有三个都用于GridSearchCV。

这是使用这三个模型的典型回归模型的快照。

def create_model():

 model = Sequential()
 model.add(Dense(12, input_dim=1587, activation='relu'))
 model.add(Dense(1, activation='sigmoid'))

 model.compile(loss='mean_squared_error', optimizer='adam', metrics=['mean_squared_error'])
 return model

model = KerasRegressor(build_fn=create_model, verbose=0)
batch_size = [10, 20, 40, 60, 80, 100]
epochs = [10, 50, 100]
param_grid = dict(batch_size=batch_size, epochs=epochs)
grid = GridSearchCV(estimator=model,param_grid=param_grid, scoring='r2' n_jobs=-1)
grid_result = grid.fit(X, Y)

最佳答案

不，它们都是代码中用于不同目的的不同事物。

您的代码分为两部分。

1)Keras部分:

 model.compile(loss='mean_squared_error',
               optimizer='adam',
               metrics=['mean_squared_error'])

a)loss:在Compilation section of the documentation here中，您可以看到:



所以这实际上与optimizer一起使用来实际训练模型

b)metrics:根据documentation:



这仅用于报告指标，以便使用的(您)可以判断模型的性能。它不影响模型的训练方式。

2)网格搜索部分:
scoring:再次检查the documentation



这用于查找您在param_grid中定义的参数组合，从而提供最佳的score。

根据您的需要，它们可以很好地(在大多数情况下)有所不同。

关于tensorflow - Keras的损失，指标和得分，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51256695/