欢迎转载，作者：Ling，注明出处：深度学习：原理简明教程10-深度学习:评估函数

评估函数（metrics）：主要用于训练或者测试时，评估模型的好坏。

1）评估时机。正确做法应该在每个epoch结束后进行评估，比如precision，recall，F1这些值，而有些框架如keras是在每个mini-batch就进行评估，好消息是未来会引入global metrics，在每个epoch评估。

2）keras框架的评估函数不全，目前在改进，scikit learn的全。

常见的评估函数有：

1）和损失函数相同的函数：这部分函数在深度学习：原理简明教程09-深度学习:损失函数已经介绍过，这里不再详述：

mean_squared_error

mean_absolute_error

mean_absolute_percentage_error

mean_squared_logarithmic_error

squared_hinge

hinge

categorical_hinge

logcosh

binary_crossentropy

categorical_crossentropy

sparse_categorical_crossentropy

kullback_leibler_divergence

poisson

cosine_proximity

2）和损失函数不同的函数：

binary_accuracy

categorical_accuracy

sparse_categorical_accuracy

top_k_categorical_accuracy

sparse_top_k_categorical_accuracy

3）Global的metrics以后补：（等keras后续版本发布再补上）

实际上用得多的还有：

precision

recall

f-score

AUC

binary_accuracy：

公式：

categorical_accuracy：

公式：

特点：

输入的是one-hot

sparse_categorical_accuracy：

公式：

特点：

sparse主要指y非one-hot，是id

top_k_categorical_accuracy：

公式：

sparse_top_k_categorical_accuracy：

公式：

特点：

sparse主要指y非one-hot，是id

补充两个材料：可以用其补充keras metrics

1）https://github.com/fchollet/keras/issues/8607

2）http://scikit-learn.org/stable/modules/classes.html#module-sklearn.metrics