model.evaluate 和metrics.accuracy_score 之间的区别

Question

我正在尝试使用两种不同的方法评估 CNN 模型：

1.

model.evaluate(test_data)

在这种情况下，我得到 79% 的准确度分数：[1.2163524627685547, 0.7924528121948242]

2.

我想获取实际的预测值并使用 scikit-learn 指标来获得准确度分数：

test_prediction=model.predict(test_data)
test_prediction=np.argmax(test_prediction, axis=1)

y_test = np.concatenate([y_batch for X_batch, y_batch in test_data])

metrics.accuracy_score(test_prediction,y_test)

本例中的准确度分数为 21%。

为什么会有差异，哪种方式更可靠？

Answer 1

我很确定，你要么改变了你的预测，要么改变了标签。你的准确率是 79%，另一只手是 21%。

• 1-0.79=0.21 和 1-0.21=0.79%

您确定要这样做吗：

test_prediction=model.predict(test_data)
test_prediction=np.argmax(test_prediction, axis=1)

而不是：

test_prediction=model.predict_proba(test_data)
test_prediction=np.argmax(test_prediction, axis=1)

因为我看不出执行

predict

会返回您的标签然后执行

np.argmax

的兴趣。但是，如果您想将

np.argmax

应用于

predict_proba

，那就更有意义了