Was ist der Unterschied zwischen Keras Modell.evaluate() und Modell.predict()?

Ich verwendet Keras biomedizinische Bild-Segmentierung segment Nervenzellen im Gehirn. Ich verwendet model.evaluate() es gab mir Dice-Koeffizient: 0.916. Allerdings, wenn ich model.predict(), dann eine Schleife durch die vorhergesagte Bilder durch die Berechnung des Dice-Koeffizienten, der Dice-Koeffizient ist 0,82. Warum sind diese beiden Werte unterschiedlich?

InformationsquelleAutor Saeed Alahmari | 2017-06-10
  1. 8

    Das problem liegt in der Tatsache, dass jede Metrik in Keras ausgewertet in folgender Weise:

    1. Für jeden batch ein Metrik-Wert wird ausgewertet.
    2. Einem aktuellen Wert von Verlust (nach k Chargen ist gleich einem Mittelwert Ihrer Metrik über berechnete k Chargen).
    3. Das endgültige Ergebnis als Mittelwert aller Verluste, berechnet für alle Chargen.

    Meisten der beliebtesten Metriken (wie mse, categorical_crossentropy, mae) etc. - als ein Mittel, der Verlust der Wert der einzelnen Beispiel - haben eine Eigenschaft, dass eine derartige Evaluierung endet mit einem richtigen Ergebnis. Aber im Falle der Dice - Koeffizient- ein Mittelwert von seinen Wert über alle Chargen ist nicht gleich dem tatsächlichen Wert berechnet auf einen ganzen Datensatz und als model.evaluate() verwendet solche Art von Berechnungen - dies ist die direkte Ursache des Problems.

    InformationsquelleAutor Marcin Możejko
  2. 6

    Den model.evaluate Funktion, prognostiziert der Ausgang für die angegebene Eingabe und berechnet dann die metrics-Funktion angegeben in der model.compile und basiert auf y_true und y_pred und gibt den berechneten Wert als Ausgabe.

    Den model.predict nur zurück die y_pred

    Also, wenn Sie model.predict und dann die Berechnung der Metriken selbst, die die berechnete Metrik-Wert soll sich um das gleiche wie model.evaluate

    Zum Beispiel würde man mit model.predict statt model.evaluate bei der Bewertung eines RNN/LSTM-basierte Modelle, bei denen der Ausgang muss gefüttert werden, die als input in der nächsten Zeit Schritt

    InformationsquelleAutor javac
  3. 4

    Den keras.evaluate() Funktion geben Sie den Verlust an Wert für jeden batch. Die keras.predict() Funktion werden Ihnen die aktuellen Prognosen für alle Proben in einem batch, einer für alle Chargen. Also, selbst wenn Sie die gleichen Daten, die Unterschiede werden da sein, weil der Wert der loss-Funktion werden Sie fast immer anders als die vorhergesagten Werte. Das sind zwei verschiedene Dinge.

    • Um genau zu sein, keras.bewerten ist keine verlässliche Art der Messung, wie genau Klassifizierer wird in der Welt. Die Menschen sollen Ihren eigenen code zu berechnen.
    InformationsquelleAutor Parag S. Chandakkar
Schreibe einen Kommentar