如果存在二进制分类问题，则标签为0和1。
我知道预测是浮点数，因为p是属于该类的概率。
以下是交叉熵损失函数。
但是，p不一定为0或1，那么Keras如何计算精度？ Keras会自动将我们的预测取整为0或1吗？
例如，在下面的代码中，精度为0.749，但目标为0和1，预测为不一定为0.0或1.0的浮点数。
>>> scores = model.evaluate(x=test_Features,
y=test_Label)
>>> scores[1]
0.74909090952439739
最佳答案
您在这里有些困惑；您说的是准确性，同时显示了损失的公式。
您显示的方程式的确是用于二进制分类的cross-entropy loss formula(或简称为logistic损失)。y[i]是标签，它们的确为0或1。p[i]是预测，通常被解释为概率，是[0,1]中的实数(不进行任何舍入)。
现在，对于每个i，总和中只有一个术语将继续存在-第一个术语在y[i] = 0时消失，类似地，第二个术语在y[i] = 1时消失。
让我们看一些例子:
假设y[0] = 1，而我们已经预测了p[0] = 0.99(即相当不错的预测)。和的第二项消失(自1 - y[0] = 0以来)，而第一项变为log(0.99) = -0.01；因此，此样本预测(i=0)对总损失的贡献为0.01(由于总和前面的-符号)。
现在假设下一个样本的真实标签再次为1，即y[1] = 1，但是在这里，我们对p[1] = 0.1的预测相当差；同样，第二项消失了，这个预测对整体损失的贡献现在为-log(0.1) = 2.3，确实比我们第一个良好的预测要大，这是我们应该直观地期望的。
作为最后一个示例，让我们假设y[2] = 0，并且我们在这里对p[2] = 0做出了很好的预测；因此，第一项消失了，第二项变为
(1 - y[2]) * log(1 - p[2]) = 1 * log(1) = log(1) = 0
也就是说，正如我们在直觉上所期望的，我们没有损失，这是因为我们在这里对
i=2做出了非常好的预测。逻辑损失公式仅计算各个预测的所有这些误差，将它们求和，然后除以其数量
n。不过，这是loss(即您的代码段中的
scores[0])，而不是accuracy。损失和准确性是不同的东西；粗略地说，从业务角度来看，准确性是我们真正感兴趣的，而损失是学习算法(优化器)从数学角度试图使目标最小化的目标函数。更粗略地说，您可以将损失视为业务目标(准确性)对数学域的“转换”，这是分类问题中必不可少的转换(在回归问题中，损失和业务目标通常是损失)。相同，或至少原则上可以相同，例如RMSE)...
实际上是:为了计算准确性，我们在预测的概率中隐式设置了一个阈值(在二进制分类中通常为0.5，但是在高度不平衡的数据中可能有所不同)；因此，在
model.evaluate中，如果p[i] > 0.5，Keras实际上会将我们的预测转换为1，否则将其转换为0。然后，通过简单地计数y_true==y_pred(正确的预测)的情况并除以样本总数，得出[0,1]中的数字，即可计算出准确度。因此，总结一下:
关于python - Keras 如何计算准确率？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/47508874/