1

我一直在这里关注这个例子，我想知道这个准确度函数是如何工作的：

def compute_accuracy(y_true, y_pred):
'''Compute classification accuracy with a fixed threshold on distances.
'''
    pred = y_pred.ravel() < 0.5
    return np.mean(pred == y_true)

据我所知，在这种情况下网络的输出将是两对之间的距离。那么在这种情况下我们如何计算准确率呢？“0.5”阈值指的是什么？另外，如何计算错误率？

4

1 回答 1

3

对这个例子的理解似乎存在一些空白，需要首先填补：

如果您研究数据准备步骤（即create_pairs方法），您会意识到正对（即属于同一类的样本对）被分配一个标签 1（即正/真）和负对（即对属于不同类别的样本）被分配一个标签 0（即否定/错误）。

此外，示例中的连体网络的设计使得给定一对样本作为输入，它将预测它们的距离作为输出。通过使用对比损失作为模型的损失函数，对模型进行训练，使得给定一个正对作为输入，预测一个小的距离值（因为它们属于同一类，因此它们的距离应该很小，即传达相似性）并且给定一个负对作为输入，预测一个大的距离值（因为它们属于不同的类，因此它们的距离应该很高，即传达不相似性）。作为练习，尝试通过在代码中使用对比损失定义以数字方式考虑它们（即何时y_true为 1，何时为 0）来确认这些点。y_true

因此，示例中的准确率函数是这样实现的，即对预测的距离值应用一个固定的任意阈值，即 0.5，即y_pred（这意味着此示例的作者已确定距离值小于 0.5 表示正对；您可能决定使用另一个阈值，但它应该是基于实验/经验的合理选择）。然后将结果与真实标签值进行比较，即y_true：

  • 何时y_pred低于 0.5（y_pred < 0.5将等于True）：如果y_true为 1（即正），则这意味着网络的预测与真实标签一致（即True == 1等于True），因此该样本的预测计入正确预测（即准确性）。但是，如果y_true为 0（即负数），则该样本的预测不正确（即True == 0等于False），因此这不会有助于正确的预测。

  • 何时y_pred等于或大于 0.5（y_pred < 0.5将等于False）：适用与上述相同的推理（留作练习！）。

（注意：不要忘记模型是在批量样本上训练的。因此，y_pred或者y_true不是单个值；相反，它们是值数组，并且上面提到的所有计算/比较都是逐元素应用的）。

让我们看一个包含 5 个样本对的输入批次的（虚构）数值示例，以及如何计算该批次模型预测的准确度：

>>> y_pred = np.array([1.5, 0.7, 0.1, 0.3, 3.2])
>>> y_true = np.array([1, 0, 0, 1, 0])

>>> pred = y_pred < 0.5
>>> pred
array([False, False,  True,  True, False])

>>> result = pred == y_true
>>> result
array([False,  True, False,  True,  True])

>>> accuracy = np.mean(result)
>>> accuracy
0.6
于 2020-04-12T23:50:12.597 回答