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/

10-11 08:35