如何创建Keras自定义指标：分类任务中邻类预测可判定为正确

嘿，这个需求在有序分类场景里特别实用——比如情感评分（1-5星）、疾病严重程度分级这类任务，相邻类别其实差异不大，算成"准正确"完全合理。我来给你一步步实现这个自定义指标，代码清晰还能直接用！

核心思路 #

我们的指标要满足两个判定条件之一就算预测正确：

• 预测类别和真实类别完全一致（差值为0）
• 预测类别是真实类别的直接相邻类别（差值的绝对值为1）

在Keras里，自定义指标需要继承tf.keras.metrics.Metric类，并重写三个关键方法：__init__（初始化累计变量）、update_state（每一批次更新统计值）、result（计算最终指标值）。

完整代码实现 #

import tensorflow as tf

class AdjacentAccuracy(tf.keras.metrics.Metric):
    def __init__(self, name="adjacent_accuracy", **kwargs):
        super().__init__(name=name, **kwargs)
        # 累计正确预测的样本数
        self.correct = self.add_weight(name="correct", initializer="zeros")
        # 累计处理的总样本数
        self.total = self.add_weight(name="total", initializer="zeros")

    def update_state(self, y_true, y_pred, sample_weight=None):
        # 处理真实标签：如果是one-hot编码，先转成整数类别；如果已经是整数则直接用
        if y_true.shape.rank > 1:
            y_true = tf.argmax(y_true, axis=1)
        # 处理预测结果：从概率分布转成整数类别
        y_pred = tf.argmax(y_pred, axis=1)
        
        # 转换为整数类型，避免浮点运算的误差
        y_true = tf.cast(y_true, tf.int32)
        y_pred = tf.cast(y_pred, tf.int32)
        
        # 计算真实标签和预测标签的差值绝对值
        diff = tf.abs(y_true - y_pred)
        # 判定正确：差值为0（完全匹配）或1（相邻类别）
        is_correct = tf.math.logical_or(diff == 0, diff == 1)
        # 转换成浮点型便于累加
        is_correct = tf.cast(is_correct, tf.float32)
        
        # 处理样本权重（可选，如果有需要的话）
        if sample_weight is not None:
            sample_weight = tf.cast(sample_weight, tf.float32)
            is_correct = tf.multiply(is_correct, sample_weight)
        
        # 累计正确数和总样本数
        self.correct.assign_add(tf.reduce_sum(is_correct))
        self.total.assign_add(tf.cast(tf.size(y_true), tf.float32))

    def result(self):
        # 计算准确率：正确数/总样本数
        return tf.divide(self.correct, self.total, name="result")

    def reset_state(self):
        # 重置指标状态（比如每个epoch开始时）
        self.correct.assign(0.0)
        self.total.assign(0.0)

如何使用这个指标 #

在模型编译的时候，直接把这个自定义指标传进去就行：

# 假设你已经定义好了你的分类模型
model = tf.keras.Sequential([...])

# 编译模型时使用自定义指标
# 如果你的真实标签是稀疏整数（比如直接是0,1,2...），用sparse_categorical_crossentropy
model.compile(
    optimizer="adam",
    loss="sparse_categorical_crossentropy",
    metrics=[AdjacentAccuracy()]
)

# 如果真实标签是one-hot编码，用categorical_crossentropy
# model.compile(
#     optimizer="adam",
#     loss="categorical_crossentropy",
#     metrics=[AdjacentAccuracy()]
# )

注意事项 #

• 这个指标默认假设你的类别是连续的整数（比如0,1,2,3,4），如果你的类别是离散不连续的（比如1,3,5），那需要先把类别映射成连续整数再使用。
• 代码里已经兼容了稀疏标签（整数形式）和one-hot标签两种情况，不用额外修改。
• 如果需要更灵活的判定（比如允许间隔2个类别也算正确），只需要把diff == 1改成diff <= 2就行，非常容易调整。

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