编译模型时如何正确指定precision、recall等评估指标？

核心原因 #

你用mean_squared_error（MSE）作为损失函数时，模型输出是连续数值，但Precision、Recall这类指标默认是为**分类任务（离散类别标签/概率分布）**设计的，两者输入格式不匹配，导致指标无法正常计算。而accuracy和AUC能生效，是因为它们对连续输出有兼容处理（比如AUC可以处理概率值，accuracy会自动做阈值判断）。

推荐解决方案：调整为对应分类任务的损失与指标 #

根据你的任务类型（二分类/多分类），改用分类专用的损失函数和匹配的指标，这是最规范的做法：

1. 二分类任务

输出层用sigmoid激活，搭配BinaryCrossentropy损失，使用BinaryPrecision/BinaryRecall指标：

from tensorflow.keras import models, layers, metrics, losses

# 构建二分类模型
model = models.Sequential([
    layers.Dense(64, activation='relu', input_shape=(你的输入维度,)),
    layers.Dense(1, activation='sigmoid')  # 二分类输出
])

model.compile(
    loss=losses.BinaryCrossentropy(),
    optimizer='adam',
    metrics=[
        'accuracy',
        metrics.BinaryPrecision(threshold=0.5),  # 可自定义分类阈值
        metrics.BinaryRecall(threshold=0.5)
    ]
)

2. 多分类任务

• 若标签是One-Hot编码：用CategoricalCrossentropy损失，搭配Precision/Recall并指定平均方式：

model = models.Sequential([
    layers.Dense(64, activation='relu', input_shape=(你的输入维度,)),
    layers.Dense(类别数量, activation='softmax')  # 多分类输出
])

model.compile(
    loss=losses.CategoricalCrossentropy(),
    optimizer='adam',
    metrics=[
        'accuracy',
        metrics.Precision(average='macro'),  # 宏平均，可选micro/weighted
        metrics.Recall(average='macro')
    ]
)

• 若标签是整数格式：用SparseCategoricalCrossentropy损失，搭配SparseCategoricalPrecision/SparseCategoricalRecall：

model.compile(
    loss=losses.SparseCategoricalCrossentropy(),
    optimizer='adam',
    metrics=[
        'accuracy',
        metrics.SparseCategoricalPrecision(),
        metrics.SparseCategoricalRecall()
    ]
)

特殊场景：坚持使用MSE损失 #

如果因为业务需求必须保留MSE损失，需要手动将连续预测值转换为类别标签，再自定义指标：

import tensorflow as tf

def custom_precision(y_true, y_pred):
    # 将连续预测值转为0/1标签（以0.5为阈值，可自行调整）
    y_pred = tf.cast(y_pred >= 0.5, tf.float32)
    true_positives = tf.reduce_sum(tf.round(tf.clip_by_value(y_true * y_pred, 0, 1)))
    predicted_positives = tf.reduce_sum(tf.round(tf.clip_by_value(y_pred, 0, 1)))
    # 添加epsilon避免除以0
    return true_positives / (predicted_positives + tf.keras.backend.epsilon())

def custom_recall(y_true, y_pred):
    y_pred = tf.cast(y_pred >= 0.5, tf.float32)
    true_positives = tf.reduce_sum(tf.round(tf.clip_by_value(y_true * y_pred, 0, 1)))
    possible_positives = tf.reduce_sum(tf.round(tf.clip_by_value(y_true, 0, 1)))
    return true_positives / (possible_positives + tf.keras.backend.epsilon())

# 编译时使用自定义指标
model.compile(
    loss='mean_squared_error',
    optimizer='adam',
    metrics=['accuracy', custom_precision, custom_recall]
)

内容的提问来源于stack exchange，提问作者Adria de Juan