基于Python的AI学习：多输出层深度学习模型的向量准确率验证

嘿，针对你这个多输出（3个神经元）模型的准确率验证需求，结合你用的Keras Sequential框架和sigmoid激活的情况，我给你整理几个实用的验证方法，适配不同的场景：

1. 样本级准确率（多标签场景首选） #

如果你的任务是多标签分类（比如每个样本可以同时属于多个类别），样本级准确率能直观反映“整个样本的所有输出预测都和真实标签匹配”的比例。代码实现很简单：

import numpy as np

# 假设y_test是测试集真实标签（形状：(样本数, 3)），y_pred是模型预测结果（形状一致）
# 把sigmoid的连续输出转成二值标签（通常用0.5做阈值，可根据需求调整）
y_pred_binary = (y_pred > 0.5).astype(int)

# 检查每个样本的所有输出是否都匹配真实标签
sample_matches = np.all(y_pred_binary == y_test, axis=1)
# 计算样本级准确率
sample_accuracy = np.mean(sample_matches)
print(f"样本级准确率: {sample_accuracy:.4f}")

2. 类别级准确率（单独看每个输出神经元的表现） #

如果你想单独评估每个输出神经元对应类别的预测效果（比如第一个神经元对应类别A的准确率，第二个对应B），可以逐个计算：

# 遍历3个输出类别
for class_idx in range(3):
    # 统计当前类别的预测正确数
    correct_predictions = np.sum(y_pred_binary[:, class_idx] == y_test[:, class_idx])
    # 计算当前类别的准确率
    class_accuracy = correct_predictions / len(y_test)
    print(f"类别{class_idx+1}的准确率: {class_accuracy:.4f}")

3. 用Keras内置/自定义指标快速评估 #

既然你用的是Keras，直接用框架自带的评估逻辑会更方便，还能和训练流程整合：

内置二分类准确率（适合多标签） #

因为你用了sigmoid激活，每个输出都是独立的二分类任务，所以用binary_accuracy会很合适——它是所有输出神经元二分类准确率的平均值：

# 编译模型时指定指标
classifier.compile(optimizer='adam', loss='binary_crossentropy', metrics=['binary_accuracy'])

# 直接用evaluate方法评估测试集
test_loss, test_binary_acc = classifier.evaluate(X_test, y_test)
print(f"平均二分类准确率: {test_binary_acc:.4f}")

自定义样本级准确率指标 #

如果需要在Keras的评估流程里直接得到样本级准确率，可以自定义一个指标函数：

from tensorflow.keras import backend as K

def custom_sample_accuracy(y_true, y_pred):
    # 把预测值转成二值标签
    y_pred_binary = K.cast(K.greater(y_pred, 0.5), K.floatx())
    # 检查每个样本的所有输出是否匹配
    all_matches = K.all(K.equal(y_pred_binary, y_true), axis=1)
    # 返回样本级准确率的平均值
    return K.mean(K.cast(all_matches, K.floatx()))

# 编译时加入自定义指标
classifier.compile(optimizer='adam', loss='binary_crossentropy', 
                   metrics=['binary_accuracy', custom_sample_accuracy])

# 评估时获取三个结果：损失值、平均二分类准确率、样本级准确率
test_loss, test_binary_acc, test_sample_acc = classifier.evaluate(X_test, y_test)
print(f"样本级准确率: {test_sample_acc:.4f}")

4. 混淆矩阵（可视化每个类别的预测细节） #

如果想更直观地看到每个类别的混淆情况（比如把类别1误判为类别2的次数），可以用混淆矩阵：

from sklearn.metrics import confusion_matrix
import matplotlib.pyplot as plt

# 以第一个类别为例，绘制混淆矩阵
cm = confusion_matrix(y_test[:, 0], y_pred_binary[:, 0])
plt.matshow(cm, cmap=plt.cm.Blues)
plt.title(f"类别1的混淆矩阵")
plt.colorbar()
plt.xlabel("预测标签")
plt.ylabel("真实标签")
plt.show()

你可以循环遍历3个类别，分别绘制每个类别的混淆矩阵，这样能清晰看到每个输出神经元的误判情况。

额外小提醒：激活函数和损失函数的匹配 #

最后补个重要的点：如果你的任务是多分类（每个样本只能属于一个类别），那你当前用的sigmoid激活其实不太合适，应该换成softmax，同时损失函数用categorical_crossentropy（记得把标签转成one-hot编码），这时候用categorical_accuracy来评估准确率会更合理。如果是多标签任务，那你现在的sigmoid+binary_crossentropy组合是完全正确的~

内容的提问来源于stack exchange，提问作者No1Lives4Ever