Keras中MSE损失下准确率定义及val_acc指标含义问询

咱们把你提到的问题拆开来，一步步说清楚：

1. Keras用MSE做损失时，准确率由什么函数定义？ #

首先得明确：Keras里的accuracy（也就是你看到的acc/val_acc）本质是分类任务的专属指标，默认逻辑是统计预测类别和真实类别一致的样本比例。但如果是回归任务（比如你的模型用了linear激活函数、损失设为MSE），要是编译模型时没指定合适的回归指标，反而保留了默认的accuracy，那这个指标的计算逻辑就变成了：判断每个样本的预测值和真实值的绝对差是否小于一个极小阈值（比如1e-7），然后统计满足这个条件的样本占总样本数的比例。

简单说，这个“准确率”是把分类任务的逻辑硬套在了连续值的回归任务上，其实完全不适用。

2. 这个准确率的定义是什么？是不是MAPE？ #

绝对不是MAPE！

• 这个默认acc的定义刚才说了：满足预测值与真实值的绝对差小于极小阈值的样本占比，是0到1之间的比例值。
• 而MAPE（平均绝对百分比误差）是计算每个样本的|真实值-预测值|/真实值的平均值，衡量的是预测值相对于真实值的百分比误差，和这个“准确率”完全不是一回事。

3. 你的训练输出里val_acc: 0.3250代表什么？ #

这个0.3250的意思是：在你的验证集里，有32.5%的样本的预测值和真实值的绝对差小于Keras默认的极小阈值（比如1e-7）。但这个指标对你的回归任务来说几乎没有参考价值——毕竟连续数值的预测很难刚好接近到这个程度，它根本反映不了模型的回归效果。

小建议 #

回归任务应该用专门的回归指标来评估，比如直接看MSE（均方误差）、MAE（平均绝对误差）、MAPE这些。你可以在编译模型的时候显式指定这些指标，比如：

model.compile(optimizer='adam', loss='mean_squared_error', metrics=['mae', 'mape'])

这样训练时输出的就是对你有用的回归评估指标了。

内容的提问来源于stack exchange，提问作者Endre Moen