いくつかのモデル評価の実装コード

 

TFとしてインポートtensorflow

＃正解率の評価
デフmetric_precision（y_true、y_pred）：    
    TP = tf.reduce_sum（y_true * tf.round（y_pred））
    TN = tf.reduce_sum（（1-y_true）*（1-tf.round（y_pred）））
    FP = tf.reduce_sum（（1-y_true）* tf.round（y_pred））
    FN = tf.reduce_sum（y_true *（1-tf.round（y_pred）））
    精度= TP /（TP + FP）
    リターン精度

＃リコール評価
デフmetric_recall（y_true、y_pred）：  
    TP = tf.reduce_sum（y_true * tf.round（y_pred））
    TN = tf.reduce_sum（（1-y_true）*（1-tf.round（y_pred）））
    FP = tf.reduce_sum（（1-y_true）* tf.round（y_pred））
    FN = tf.reduce_sum（y_true *（1-tf.round（y_pred）））
    リコール= TP /（TP + FN）
    リターンリコール

＃F1-スコア評価
デフmetric_F1score（y_true、y_pred）：    
    TP = tf.reduce_sum（y_true * tf.round（y_pred））
    TN = tf.reduce_sum（（1-y_true）*（1-tf.round（y_pred）））
    FP = tf.reduce_sum（（1-y_true）* tf.round（y_pred））
    FN = tf.reduce_sum（y_true *（1-tf.round（y_pred）））
    精度= TP /（TP + FP）
    リコール= TP /（TP + FN）
    F1score = 2 *精度*リコール/（精度+リコール）
    リターンF1score


＃コンパイルフェーズ基準サンプルカスタム評価
model.compile（オプティマイザ= 'アダム、
	      損失=「binary_crossentropy」
	      メトリック= [ '精度'、
	      		metric_precision、
	      		metric_recall、
	      		metric_F1score]）

　　

＃バイナリ分類器のためのAUC
（y_true、y_pred）デフAUC：
    PTAS = tf.stack（[binary_PTA np.linspaceにおけるkに対する（y_true、y_pred、K）（0、1、1000）]、軸= 0）
    PFAS = tf.stack（[binary_PFA np.linspaceにおけるkに対する（y_true、y_pred、K）（0、1、1000）]、軸= 0）
    PFAS = tf.concat（[tf.ones（（1））、PFAS]、軸= 0）
    binSizes =  - （PFAS [1：]  -  PFAS [ -  1]）
    S = PTAS * binSizes
    リターンK.sum（S、軸= 0）
＃------------------------------------------------- -------------------------------------------------- --------------------------------------------------
＃PFAは、バイナリ分類器のための偽の警告をPROB
DEF binary_PFA（y_true、y_pred、閾値= K.variable（値= 0.5））。
    y_pred = K.cast（y_pred> =閾値、 'のfloat32'）
    ＃Nは、負のラベルの総数=
    N = K.sum（1  -  y_true）
    誤ったアラートの＃FP =合計数、負のクラスラベルからのアラート
    FP = K.sum（y_pred  -  * y_true y_pred）
    リターンFP / N
＃------------------------------------------------- -------------------------------------------------- --------------------------------------------------
バイナリ分類器のための＃P_TA PROB真アラート
DEF binary_PTA（y_true、y_pred、閾値= K.variable（値= 0.5））。
    y_pred = K.cast（y_pred> =閾値、 'のfloat32'）
    ＃Pは正のラベルの総数=
    P = K.sum（y_true）
    正しいアラートの＃TP =総数、陽性クラスラベルからのアラート
    TP = K.sum（y_pred * y_true）
    リターンTP / P
 
その後で提供＃コンパイルモデルの指標で