如何在Keras中使用Precision而非Accuracy优化CNN模型

失效原因 #

直接将字符串'precision'传入model.compile的metrics参数不生效，是因为TensorFlow/Keras的字符串指标别名未明确匹配二分类场景的精确率计算逻辑，需要手动传入实例化的精确率指标对象。

修复后完整代码 #

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras import optimizers
from tensorflow.keras.metrics import Precision

model = Sequential()
model.add(Dense(64,name = 'Primera', input_dim=8, activation='relu'))
model.add(Dense(32 ,name = 'Segunda'))
model.add(Dense(1,name = 'Tercera', activation='sigmoid'))

optm = optimizers.Adam(learning_rate=0.001, beta_1=0.9, beta_2=0.999, amsgrad=False)
# 此处替换为实例化的二分类Precision指标
model.compile(loss='binary_crossentropy',  optimizer=optm, metrics=[Precision(name='precision')])

model.summary()

history = model.fit(trainX, trainY, 
                    epochs=1000, 
                    batch_size=16, 
                    validation_split=0.1, 
                    verbose=1)

补充说明 #

• 训练过程中会同时输出训练集精确率precision和验证集精确率val_precision，训练完成后可从history.history字典中提取对应数值绘制训练曲线
• 若业务需要更高的精确率，可在实例化Precision时指定分类阈值，例如Precision(name='precision', thresholds=0.7)，阈值越高，模型输出为正样本的判定标准越严格，精确率通常越高
• 如需同时监控召回率、AUC等其他指标，导入Recall、AUC等Keras内置指标类，按相同规则添加到metrics列表即可

内容的提问来源于stack exchange，提问作者Agustin Elli