Significado das métricas de avaliação no Tensorflow

8

Sou praticamente iniciante no Tensorflow e simplesmente sigo um tutorial. Não há nenhum problema com meu código, mas tenho uma pergunta sobre a saída

accuracy: 0.95614034
accuracy_baseline: 0.6666666
auc: 0.97714674
auc_precision_recall: 0.97176754
average_loss: 0.23083039
global_step: 760
label/mean: 0.33333334
loss: 6.578666
prediction/mean: 0.3428335

Gostaria de saber o que "prediction / mean" e "label / mean" representam?

imran khan
fonte
2
Talvez você possa fornecer a linha de código que produziu essa saída, juntamente com informações sobre arquitetura, configuração e dados?
Andreas Storvik Strauman
Bem-vindo à AI! A sugestão de Andeas é boa (re: fornecendo mais informações).
DukeZhou

Respostas:

5

Tudo isso pode ser específico do problema (exceto, talvez, precisão). A maior parte está documentada aqui :

  • precisão: porcentagem do número correto de classificações
  • precision_baseline: linha de base da precisão com base na média dos rótulos. É o melhor que o modelo poderia fazer prevendo sempre uma classe. ( fonte )
  • AUC ou Área sob a curva (ROC) é bastante complicada, mas informa sobre a taxa de verdadeiro / falso positivo. Em resumo: a AUC é igual à probabilidade de um classificador classificar uma instância positiva escolhida aleatoriamente mais alta do que uma instância negativa escolhida aleatoriamente.
  • auc_precision_recall: é a porcentagem de instâncias relevantes, entre as instâncias recuperadas, que foram recuperadas sobre a quantidade total de instâncias relevantes.
  • average_loss: você geralmente está minimizando alguma função, e esse é provavelmente o valor médio dessa função, considerando os lotes atuais.
  • perda: o valor atual da perda (como acima). A soma das perdas ou a perda do último lote.
  • global_step: Número de iterações.
  • label / mean e prediction / mean: não tenho muita certeza, mas suspeito que, se você tiver duas classes, o label / mean é a média dos rótulos de valor, enquanto predição / média pode ser o valor das previsões correspondentes. (duas classes podem fornecer um valor entre 0 e 1)
Andreas Storvik Strauman
fonte