Python中使用Keras.metrics的categorical_accuracy()函数来衡量分类模型的准确性

在使用Keras.metrics模块中的categorical_accuracy()函数来衡量分类模型的准确性之前，我们需要先了解一下该函数的作用和使用方式。

categorical_accuracy()函数用于计算模型在分类任务中的准确率。对于多类别分类任务，我们通常使用该函数作为模型的评价指标之一。该函数能够将预测的分类结果与真实标签进行比较，并返回正确分类的样本数占总样本数的比例。

下面是一个使用Keras.metrics的categorical_accuracy()函数的示例代码：

import numpy as np
from keras.metrics import categorical_accuracy

# 创建模拟的预测结果和真实标签
y_pred = np.array([[0.1, 0.9, 0.2], [0.8, 0.2, 0.1], [0.3, 0.4, 0.3], [0.7, 0.1, 0.2]])
y_true = np.array([1, 1, 0, 2])

# 将预测结果和真实标签转换为one-hot编码形式
y_pred_one_hot = np.argmax(y_pred, axis=1)
y_true_one_hot = np.eye(3)[y_true]

# 计算准确率
accuracy = categorical_accuracy(y_true_one_hot, y_pred_one_hot)

print("准确率:", accuracy.numpy())

在上面的代码中，我们首先导入了必要的模块和函数。然后，我们创建了一个模拟的预测结果y_pred和真实标签y_true，其中y_pred是一个3类别的概率预测结果，y_true是对应的真实标签。注意，预测结果和真实标签都是以数字表示类别。

接下来，我们将预测结果和真实标签转换为one-hot编码形式。这是因为categorical_accuracy()函数需要接收one-hot编码的标签作为输入。我们使用np.argmax()函数将预测结果转换为类别标签，然后使用np.eye()函数将真实标签转换为one-hot编码。

最后，我们调用categorical_accuracy()函数计算准确率，并使用print()函数输出结果。

运行上述代码，输出的结果应为：

准确率: 0.5

这表示模型的准确率为50%。

需要注意的是，categorical_accuracy()函数可以在批次级别上计算准确率。也就是说，如果y_true和y_pred有多个样本，则函数会返回每个样本的准确率，并将它们平均为一个值。如果要获得准确率的平均值，可以使用numpy的mean()函数，如下所示：

accuracy = np.mean(accuracy.numpy())