我在 Keras 中有 LSTM 序列标记器,用于高度不平衡的数据。因此,我想使用(多类)F1 分数作为模型的主要指标。我有两个问题:
1) 我在数据中使用零填充(因此在我的嵌入中使用 mask_zero=True
),并且自动计算屏蔽数据的所有损失。但是,我认为必须手动完成屏蔽才能进行自定义指标计算?有没有有效的矢量化解决方案?
2)是否可以通过sklearn's f1_score implementation进入模型的编译(也许在以某种方式包装之后)?立即,它不起作用,因为显然是一个占位符而不是一个 numpy 数组传递给它(我使用 tensorflow 后端..)
[UPD] 鉴于我的实现,现在存在这个问题:我不确定是否也有可能屏蔽模型的输出。 因为如果我们不关心“pad”输入位置的模型输出(它们无论如何都不会造成损失),那么输出中也可能存在一些随机垃圾,这会影响 F1 指标。理想情况下也只有零。
最佳答案
切换到以下内容(基于 this code ):
import numpy as np
from keras.callbacks import Callback
from sklearn.metrics import f1_score
class ZeroPaddedF1Score(Callback):
def on_train_begin(self, logs={}):
self.val_f1s = []
def on_epoch_end(self, epoch, logs={}):
y_true = np.argmax(self.validation_data[1], axis=-1)
y_pred = np.argmax(self.model.predict(self.validation_data[0]), axis=-1)
val_f1 = zero_padded_f1(y_true, y_pred)
self.val_f1s.append(val_f1)
print ' - val_f1: %f' % (val_f1)
def zero_padded_f1(y_true, y_pred):
y_pred_flat, y_true_flat = [], []
for y_pred_i, y_true_i in zip(y_pred.flatten(), y_true.flatten()):
if y_true_i != 0:
y_pred_flat.append(y_pred_i)
y_true_flat.append(y_true_i)
result = f1_score(y_true_flat, y_pred_flat, average='macro')
return result
它可能无法与 model.compile
一起使用(因为它使用 numpy 数组进行操作,因此是一个已经编译的模型),但它作为回调来完成这项工作。
关于tensorflow - Keras 中填充输出的 F1 分数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/49825670/