gpt4 book ai didi

tensorflow - Keras,训练期间验证集上的 auc 与 sklearn auc 不匹配

转载 作者:行者123 更新时间:2023-12-03 13:34:23 32 4
gpt4 key购买 nike

我使用我的测试集作为验证集。我使用了与 How to compute Receiving Operating Characteristic (ROC) and AUC in keras? 类似的方法

问题是我在训练期间的 val_auc 大约是 0.85,但是,当我使用

fpr, tpr, _ = roc_curve(test_label, test_prediction)
roc_auc = auc(fpr, tpr)

我得到 0.60 的 auc。我知道他们使用不同的公式,而且流式 auc 可能与 sklearn 计算的不同。但是差异非常大,我无法弄清楚是什么导致了这种差异。
# define roc_callback, inspired by https://github.com/keras-team/keras/issues/6050#issuecomment-329996505
def auc_roc(y_true, y_pred):
# any tensorflow metric
value, update_op = tf.contrib.metrics.streaming_auc(y_pred, y_true)

# find all variables created for this metric
metric_vars = [i for i in tf.local_variables() if 'auc_roc' in i.name.split('/')[1]]

# Add metric variables to GLOBAL_VARIABLES collection.
# They will be initialized for new session.
for v in metric_vars:
tf.add_to_collection(tf.GraphKeys.GLOBAL_VARIABLES, v)

# force to update metric values
with tf.control_dependencies([update_op]):
value = tf.identity(value)
return value

clf = Sequential()

clf.add(LSTM(units = 128, input_shape = (windowlength, trainX.shape[2]), return_sequences = True))#, kernel_regularizer=regularizers.l2(0.01)))

clf.add(Dropout(0.2))

clf.add(LSTM(units = 64, return_sequences = False))#, kernel_regularizer=regularizers.l2(0.01)))

clf.add(Dropout(0.2))

clf.add(Dense(units = 128, activation = 'relu'))
clf.add(Dropout(0.2))

clf.add(Dense(units = 128, activation = 'relu'))

clf.add(Dense(units = 1, activation = 'sigmoid'))
clf.compile(loss='binary_crossentropy', optimizer = 'adam', metrics = ['acc', auc_roc])

my_callbacks = [EarlyStopping(monitor='auc_roc', patience=50, verbose=1, mode='max')]
clf.fit(trainX, trainY, batch_size = 1000, epochs = 80, class_weight = class_weights, validation_data = (testX, testY),
verbose = 2, callbacks=my_callbacks)
y_pred_pro = model.predict_proba(testX)
print (roc_auc_score(y_test, y_pred_pro))

如果有人能指导我走向正确的方向,我真的很感激。

最佳答案

首先,tf.contrib.metrics.streaming_auc已弃用,使用 tf.metrics.auc反而。

正如您所提到的,TF 使用与 Scikit-learn 不同的方法来计算 AUC。
TF 使用近似方法。引用它的文档:

To discretize the AUC curve, a linearly spaced set of thresholds is used to compute pairs of recall and precision values.



这几乎总是会给出比实际分数更高的 AUC 分数。此外, thresholds参数默认为 200,如果您的数据集很大,则该参数较低。增加它应该会使分数更准确,但无论你设置多高,它总是会出现一些错误。

另一方面,Scikit-learn 使用不同的方法计算“真实”AUC 分数。

我不知道为什么 TF 使用近似方法,但我猜是因为它的内存效率更高,速度更快。此外,虽然它高估了分数,但它很可能会保留模型的相对顺序:如果一个模型的近似 AUC 比另一个更好,那么它的真实 AUC 也很可能会更好。

关于tensorflow - Keras,训练期间验证集上的 auc 与 sklearn auc 不匹配,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52228899/

32 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com