python-3.x - tf.metrics.accuracy 未按预期工作

Question

我的线性回归模型似乎运行良好，但我想显示模型的准确性。

首先，我初始化变量和占位符...

X_train, X_test, Y_train, Y_test = train_test_split(
    X_data, 
    Y_data, 
    test_size=0.2
)

n_rows = X_train.shape[0]

X = tf.placeholder(tf.float32, [None, 89])
Y = tf.placeholder(tf.float32, [None, 1])

W_shape = tf.TensorShape([89, 1])
b_shape = tf.TensorShape([1])

W = tf.Variable(tf.random_normal(W_shape))
b = tf.Variable(tf.random_normal(b_shape))

pred = tf.add(tf.matmul(X, W), b)

cost = tf.reduce_sum(tf.pow(pred-Y, 2)/(2*n_rows-1))

optimizer = tf.train.GradientDescentOptimizer(FLAGS.learning_rate).minimize(cost)

X_train 的形状为 (6702, 89)，Y_train 的形状为 (6702, 1)。接下来，我运行 session 并显示每个周期的成本以及总 MSE...

init = tf.global_variables_initializer()

with tf.Session() as sess:

    sess.run(init)

    for epoch in range(FLAGS.training_epochs):

        avg_cost = 0

        for (x, y) in zip(X_train, Y_train):

            x = np.reshape(x, (1, 89))
            y = np.reshape(y, (1,1))
            sess.run(optimizer, feed_dict={X:x, Y:y})

        # display logs per epoch step
        if (epoch + 1) % FLAGS.display_step == 0:

            c = sess.run(
                cost, 
                feed_dict={X:X_train, Y:Y_train}
            )

            y_pred = sess.run(pred, feed_dict={X:X_test})
            test_error = r2_score(Y_test, y_pred)
            print(test_error)

            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c))

    print("Optimization Finished!")

    pred_y = sess.run(pred, feed_dict={X:X_test})
    mse = tf.reduce_mean(tf.square(pred_y - Y_test))

    print("MSE: %4f" % sess.run(mse))

这一切似乎都工作正常。但是，现在我想查看模型的准确性，因此我想实现 tf.metrics.accuracy。文档说它有 2 个参数，标签和预测。我接下来添加了以下内容...

accuracy, accuracy_op = tf.metrics.accuracy(labels=Y_test, predictions=pred)

init_local = tf.local_variables_initializer()

sess.run(init_local)

print(sess.run(accuracy))

显然我需要初始化本地变量，但是我认为我做错了什么，因为打印出来的准确性结果是0.0。

我到处搜索工作示例，但无法让它适用于我的模型，实现它的正确方法是什么？

Answer 1

我认为您正在学习回归模型。 tf.metrics.accuracy 应该针对分类模型运行。

当您的模型预测为 1.2 但您的目标值为 1.15 时，使用准确度来衡量这是否是正确的预测是没有意义的。 准确率适用于分类问题(例如，mnist)，当您的模型预测数字为“9”并且您的目标图像也是“9”时:这是正确的预测，您将获得满分；或者，当您的模型预测数字为“9”但您的目标图像为“6”时:这是错误的预测，您不会获得任何荣誉。

对于您的回归问题，我们通过绝对误差 - |目标 - 预测| 或均方误差来衡量预测值与目标值之间的差异code> - 您在 MSE 计算中使用的代码。因此，您应该使用 tf.metrics.mean_squared_error 或 tf.metrics.mean_absolute_error 来衡量回归模型的预测误差。