Nota: Las métricas de evaluación valorar el rendimiento de un modelo de Aprendizaje-Automático , “Machine-Learning”. Su objetivo es estimar la precisión de la generalización de un modelo sobre los datos futuros .
Métrica
-. La Métrica es una función que se utiliza para juzgar el rendimiento de su Modelo. Las funciones-métricas son similares a las funciones de pérdida, excepto que los resultados de la evaluación de una Métrica no se utilizan al entrenar el modelo. Se puede utilizar cualquier función de pérdida como Métrica.
Relación de Métricas disponibles:
- Métricas de precisión
- Métricas probabilísticas
- Métricas de regresión
- Métricas de clasificación basadas en verdaderos/falsos positivos y negativos
- Métricas de segmentación de imágenes
- Métricas bisagra para la clasificación de «margen máximo»
-. En este Modelo de API–Keras, usaremos compile() & fit(). Una Métrica es uno de los dos argumentos necesarios para compilar un Modelo de Keras, el otro es la Función de Pérdida.
-. Empecemos por su configuración, realicemos un reseteo y carguemos las librerías.
Reseteo:
- In: import tensorflow as tf
- In: tf.keras.backend.clear_session()
Librerías:
- In: import tensorflow as tf
- In: from tensorflow import keras
- In: from keras import layers
-. El método compile(), argumento toma un Metrics, que es una lista de métricas.
Cargamos librerías que faltan:
- In: from keras.models import Sequential
- In: from keras import metrics
- In: model = Sequential()
Llamar-Instancia:
- In: model.compile(
- In: optimizer=‘adam’,
- In: loss=‘mean_squared_error’,
- In: metrics=[
- In: metrics.MeanSquaredError(),
- In: metrics.AUC(),
- In: ]
- In: )
Las Métricas con un nombre específico, puede pasar el argumento name al constructor de métricas:
A través de su identificador de cadena:
Recopilando:
Hemos visto la Métrica es una función que se utiliza para juzgar el rendimiento de nuestro Modelo de API-Keras.
- Referencias: (Entorno-Moreluz)
- Referencias: (Keras)