建立一个序列
simple_seq= [x for x in list(range(1000)) if x % 3 == 0]
重塑和分裂后
x_train, x_test shape = (159, 5, 1)
y_train, y_test shape = (159, 2)
模型
model = Sequential(name='acc_test')
model.add(Conv1D(
kernel_size = 2,
filters= 128,
strides= 1,
use_bias= True,
activation= 'relu',
padding='same',
input_shape=(x_train.shape[1], x_train.shape[2])))
model.add(AveragePooling1D(pool_size =(2), strides= [1]))
model.add(Flatten())
model.add(Dense(2))
optimizer = Adam(lr=0.001)
model.compile( optimizer= optimizer, loss= 'mse', metrics=['accuracy'])
培养
hist = model.fit(
x=x_train,
y = y_train,
epochs=100,
validation_split=0.2)
结果:
Epoch 100/100
127/127 [==============================] - 0s 133us/sample - loss: 0.0096 - acc: 1.0000 - val_loss: 0.6305 - val_acc: 1.0000
但是,如果使用此模型进行预测:
x_test[-1:] = array([[[9981],
[9984],
[9987],
[9990],
[9993]]])
model.predict(x_test[-1:])
result is: array([[10141.571, 10277.236]], dtype=float32)
如果结果与事实相去甚远,那么vall_acc如何为1,结果是
step 1 2
true [9996, 9999 ]
pred [10141.571, 10277.236]
最佳答案
准确性度量标准仅对分类任务有效。因此,如果在回归任务中使用准确性作为度量标准,则报告的度量标准值可能根本无效。从您的代码中,我觉得您正在执行回归任务,因此不应使用此任务。
以下是可在Keras中用于回归问题的指标的列表。
Mean Squared Error: mean_squared_error, MSE or mse
Mean Absolute Error: mean_absolute_error, MAE, mae
Mean Absolute Percentage Error: mean_absolute_percentage_error, MAPE, mape
Cosine Proximity: cosine_proximity, cosine
您可以在link处阅读一些理论,并在link处查看一些keras示例程序代码。
抱歉,时间不多,但是我相信这些链接确实会对您有所帮助。 :)
关于python - 精度度量val_acc是否可以信任?,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/58728487/