1. Código
1.1 Código fuente (copiar y usar directamente)
:star: copie el siguiente código directamente en el modelo para su uso (se ha probado y se puede discutir en el área de comentarios)
import keras.backend as K
def my_tp_tn_fp_fn(y_true, y_pred):
true_posi_sum = K.cast(K.sum(y_true), "int32")
true_nag_sum = K.cast(K.sum(y_true-1), "int32")*(-1)
pred_posi_sum = K.sum(K.cast(K.greater(y_pred, 0.5), "int32"))
tp = K.sum(K.cast(K.greater(K.clip(y_true * y_pred, 0.0, 1.0), 0.50), "int32"))
fn = true_posi_sum - tp
fp = pred_posi_sum - tp
tn = true_nag_sum - fp
tp = K.cast(tp, "float32")
tn = K.cast(tn, "float32")
fp = K.cast(fp, "float32")
fn = K.cast(fn, "float32")
return tp, tn, fp, fn
def keras_hanmingloss(y_true, y_pred):
tp, tn, fp, fn = my_tp_tn_fp_fn(y_true, y_pred)
num_wrong = fp + fn
total = tp + tn + fp + fn
hanming_loss = (num_wrong + K.epsilon())/ total
return hanming_loss
复制代码
1.2 Ideas de construcción
- diagrama de flujo
flowchart TD
step1[建立函数求出TP_TN_FP_FN]
step2[根据汉明损失原理构造损失函数]
step3[ 结合Sci-kitlearn库的hanminglossAPI进行验证]
step1 --> step2
step2 --> step3
-
Primero encuentra todos los TP, TN, FP, FN
-
Luego construya la función de pérdida de acuerdo con todos los TP, TN, FP, FN combinados con la fórmula de pérdida de Hamming
-
Validar con la API hanmingloss de la librería Sci-kitlearn
1.3 Verificación con sklearn
- El efecto de código personalizado, como se muestra en la siguiente figura, es:
0.06353355
- El efecto de pérdida de Hamming de sklearn, como se muestra en la siguiente figura, es:
0.06353354978354979
(Debido a que el primero es float32, la precisión del último float64 será mayor)
1.4 Efecto experimental
- El efecto de la fase de entrenamiento.
- Evaluar efectos de fase
2. Pérdida de Hamming
2.1 Introducción
- Distancia de Hamming: encuentre la cantidad de elementos diferentes en la posición correspondiente de dos matrices del mismo tamaño
- Pérdida de Hamming: distancia de Hamming dividida por número de elementos de la matriz
- La pérdida de Hamming es en realidad la distancia de Hamming dividida por el número total de elementos
1. 汉明距离是使用在数据传输差错控制编码里面的,汉明距离是一个概念,它表示两个(相同长度)字符串对应位置的
不同字符的数量,我们以d(x,y)表示两个字x,y之间的汉明距离。
2. 对两个字符串进行异或运算,并统计结果为1的个数,那么这个数就是汉明距离。
复制代码
2.2 Oficial
- Para predecir el resultado , es elresultado real, Para el i-ésimo elemento en la j-ésima columna , el valor máximo de i es n , y el valor máximo de j es m , en otras palabras, 均为 n*m大小的矩阵
2.3 应用场景
- 一般应用在多标签分类任务中
- 一般用作损失函数或者评价函数
3.参考资料
-
CSDN: TP、TN、FP、FN超级详细解析
-
百度百科: 汉明距离
-
CSDN: 可能是最全的机器学习模型评估指标总结
-
未知来源: 常用数学符号的 LaTeX 表示方法