使用Keras.metrics中categorical_accuracy()函数评估分类模型的准确性

Keras是一个广泛使用的深度学习库，提供了一系列用于评估模型性能的度量函数。其中之一是categorical_accuracy()函数，用于评估分类模型的准确性。

categorical_accuracy()函数适用于多类别分类问题，它将预测的类别与真实类别进行比较，并计算出一个准确性得分。具体而言，它将预测结果中概率最高的类别与真实类别进行比较。如果两者一致，则该样本被正确分类，否则被认为是错误分类。

以下是一个使用categorical_accuracy()函数评估分类模型准确性的示例：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.metrics import categorical_accuracy

# 创建一个假设的分类模型
num_classes = 3
input_dim = 10

model = Sequential()
model.add(Dense(32, activation='relu', input_dim=input_dim))
model.add(Dense(num_classes, activation='softmax'))

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=[categorical_accuracy])

# 创建一个假数据集
X = np.random.random((1000, input_dim))
y = np.random.randint(num_classes, size=(1000,))
y = np.eye(num_classes)[y]

# 训练模型
model.fit(X, y, epochs=10, batch_size=32, verbose=1)

# 使用categorical_accuracy函数评估模型
_, accuracy = model.evaluate(X, y)
print('准确性：', accuracy)

在这个例子中，我们首先创建了一个假设的分类模型，该模型具有一个输入层、一个隐藏层和一个输出层。我们将模型的度量指标设置为categorical_accuracy函数。然后，我们创建了一个假数据集，包括1000个样本和相应的真实标签。接下来，我们通过调用fit()函数来训练模型。最后，我们使用evaluate()函数来评估模型的准确性，并打印出结果。

请注意，在评估阶段，我们只需传入特征数据X和真实标签y即可。在评估函数中，categorical_accuracy会自动计算预测结果，并与真实标签进行比较，从而给出准确性得分。

总结来说，categorical_accuracy()函数是Keras中一个非常有用的评估函数，可用于评估多类别分类模型的准确性。通过调用evaluate()函数，我们可以轻松地计算模型在新数据上的准确性得分。