tensorflow - 哪个Loss function & Metrics更适合多标签分类？二元或分类交叉熵，为什么？

Question

据我所知(如有错误请指正)

多标签分类(相互包含)，即样本可能有 1 个以上的正确值(例如电影类型、疾病检测等)。

多类分类(互斥)，即样本将始终具有 1 个正确值(例如猫或狗、对象检测等)，这包括二元分类。

假设输出是单热编码。

这两种类型必须使用的损失函数和指标是什么？

                     loss func.          metrics
1. multi-label:  (binary, categorical)  (binary_accuracy, TopKCategorical accuracy, categorical_accuracy, AUC)
2. multi-class:      (binary)           (binary_accuracy,f1, recall, precision)

请从上表中告诉我哪些更合适，哪些是错误的，为什么？

Answer 1

如果您尝试使用多类分类，前提是标签 (y) 是一个热编码，请使用损失函数作为分类交叉熵并使用 adam 优化器(适用于大多数情况)。此外，在使用多类分类时，输出节点的数量应与类(或)标签的数量相同。假设您的模型要将输入分为 4 类，您可以按如下方式配置输出层。

model.add(4, activation = "softmax")

此外，忘记提及对于多类分类问题，应该在输出层使用 softmax 激活。

如果您的 y 不是热编码的，我建议您选择损失函数作为稀疏分类交叉熵。无需进行其他更改。

此外，我通常将数据拆分为测试数据和训练数据，然后像这样将它们提供给模型以获得每个时期的准确性。

history = model.fit(train_data, validation_data = test_data, epochs = 10)

希望它能解决您的问题。