tensorflow - Keras 中的损失、指标和评分

Question

在构建 keras 模型时，loss、metrics 和 scoring 之间有什么区别？它们应该不同还是相同？在典型模型中，我们将所有三个用于GridSearchCV。

这是使用所有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)

Answer 1

不，它们是在代码中用于不同目的的不同事物。

您的代码中有两部分。

1)Keras 部分:

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

a) 损失:在 Compilation section of the documentation here 中，你可以看到:

A loss function is the objective that the model will try to minimize.

因此，这实际上是与优化器一起使用来实际训练模型的

b) 指标:根据 documentation :

A metric function is similar to a loss function, except that the results from evaluating a metric are not used when training the model.

这仅用于报告指标，以便用户(您)可以判断模型的性能。它不会影响模型的训练方式。

2)网格搜索部分:

评分:再次检查 the documentation

A single string or a callable to evaluate the predictions on the test set.

这用于查找您在 param_grid 中定义的参数组合，从而给出最佳分数。

它们很可能(在大多数情况下)有所不同，具体取决于您想要什么。