如何Keras评估的准确性？如何Keras评估的准确性？(How does Keras evalua

如果有一个二元分类问题，如果标签是0和1
我知道预测是浮点数因为p是属于该类别的可能性。

但标签是0 1。
他们都是不一样的，以我们的预测。
如何keras评估的准确性？
将keras自动把我们的预测为0或1？

当量：例如，这是测试数据的精确度
但所有的预测是浮个点，因此keras轮预测到0 1
并计算精度为0.749？

>>> scores = model.evaluate(x=test_Features, 
                    y=test_Label)
>>> scores[1]
0.74909090952439739

您在这里有点困惑; 你谈论的精度，同时表现出对损失的公式...

告诉你的公式确实是交叉熵损耗公式为二元分类（或简称物流损失 ）。

y[i]是标记物，其确实是0或1。

p[i]是预测，通常被解释为概率，其是在[0,1]的实数（没有任何舍入）。

现在对每个i ，只有一个和项将生存-第一项消失时y[i] = 0 ，并且类似地，第二项消失时y[i] = 1 。

让我们看一些例子：

假设y[0] = 1 ，虽然我们已经预测p[0] = 0.99 （即一个相当好的预测）。之和的第二项消失（自1 - y[0] = 0 ），而第一个变log(0.99) = -0.01 ; 因此，该样品预测（的贡献i=0 ）的总损耗为0.01（因-符号在总和中的前面）。

现在，下一个样品的真实标签再次是1假设，即y[1] = 1 ，但在这里我们已经取得的相当差的预测p[1] = 0.1 ; 再次，第二项消失，而这种预测整体亏损的贡献是现在-log(0.1) = 2.3 ，这确实是比我们第一，良好的预测更高，因为我们应该期待直观。

作为最后一个例子，让我们假设y[2] = 0 ，我们已经做出这里的一个非常好的预测p[2] = 0 ; 因此，第一项消失，而第二项变为

(1 - y[2]) * log(1 - p[2]) = 1 * log(1) = log(1) = 0

即我们没有损失作出了贡献，再次为我们直观地预期，因为我们已经在这里做了一个完美的预测为i=2 。

物流损耗公式计算简单的个人预测的所有这些错误，对其求和，并通过它们的数量除以n 。

然而，这是损失（即scores[0]在您的代码段），而不是准确性。

损失和准确度是不同的东西; 粗略地讲，精度是我们是从商业角度看真正感兴趣，而损失的目标函数的学习算法（优化）正试图从数学的角度最小化。更粗略地说，你可以把损失的“翻译”的经营目标（精度）的数学领域的，翻译这是必要的分类问题（在回归的人，通常的损失和经营目标是同样的，或者至少可以在原则上是相同的，例如RMSE）...

将keras自动把我们的预测为0或1？

实际上是：计算的准确性，我们隐式设置在预测概率的阈值（通常在二元分类0.5，但是这可能在高度不平衡数据的情况下不同）; 所以，在model.evaluate ，Keras实际上我们的预测转换为1，如果p[i] > 0.5 ，并否则为0。然后，准确度是通过简单地计数，其中箱子计算y_true==y_pred （正确预测）和通过样品的总数除以，得到在[0,1]的数。

因此，要总结：