用於多類和二元分類的 Tensorflow Macro F1 分數

Question

我正在嘗試訓練 2 個 1D Conv 神經網絡 - 一個用於多類分類問題，第二個用於二元分類問題。 我的指標之一必須是這兩個問題的 Macro F1 分數。 但是我在使用來自 tensorflow 插件的tfa.metrics.F1Score時遇到問題。

多類分類

我有 3 個類編碼為 0、1、2。

網絡的最后一層和編譯方法如下所示（ int_sequeces_input是輸入層）：

preds = layers.Dense(3, activation="softmax")(x)
model = keras.Model(int_sequences_input, preds)


f1_macro = F1Score(num_classes=3, average='macro')
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['accuracy',f1_macro])

但是，當我運行model.fit()時，出現以下錯誤：

ValueError: Dimension 0 in both shapes must be equal, but are 3 and 1. Shapes are [3] and [1]. for '{{node AssignAddVariableOp_7}} = AssignAddVariableOp[dtype=DT_FLOAT](AssignAddVariableOp_7/resource, Sum_6)' with input shapes: [], [1].

數據形狀：

X_train - (23658, 150)

y_train - (23658,)

二進制分類

我有 2 個類編碼為 0,1

網絡的最后一層和編譯方法如下所示（ int_sequeces_input是輸入層）：

preds = layers.Dense(1, activation="sigmoid")(x)
model = keras.Model(int_sequences_input, preds)

print(model.summary())

f1_macro = F1Score(num_classes=2, average='macro')
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy',f1_macro])

同樣，當我運行model.fit()時出現錯誤：

ValueError: Dimension 0 in both shapes must be equal, but are 2 and 1. Shapes are [2] and [1]. for '{{node AssignAddVariableOp_4}} = AssignAddVariableOp[dtype=DT_FLOAT](AssignAddVariableOp_4/resource, Sum_3)' with input shapes: [], [1].

數據形狀：

X_train - (15770, 150)

y_train - (15770,)

所以我的問題是：如何使用宏觀 F1 分數評估我的兩個模型？ 如何修復我的實現以使其與tfa.metrics.F1Score一起使用？ 或者有沒有其他方法可以在不使用tfa.metrics.F1Score的情況下計算宏觀 F1 分數？ 謝謝。

Answer 1

從其文檔頁面查看用法示例。

metric = tfa.metrics.F1Score(num_classes=3, threshold=0.5)
y_true = np.array([[1, 1, 1],
                   [1, 0, 0],
                   [1, 1, 0]], np.int32)
y_pred = np.array([[0.2, 0.6, 0.7],
                   [0.2, 0.6, 0.6],
                   [0.6, 0.8, 0.0]], np.float32)
metric.update_state(y_true, y_pred)

您可以看到它希望標簽采用 one-hot 格式。

但是考慮到您上面提到的形狀：

shapes of data:
X_train - (23658, 150)

y_train - (23658,)

看起來您的標簽采用索引格式。 嘗試使用tf.one_hot(y_train, num_classes)將它們轉換為一個熱點。 您還需要將損失更改為loss='categorical_crossentropy' 。