Tensorflow 精度/召回率/F1 分数和混淆矩阵

我想知道是否有一种方法可以实现 scikit learn 包中的不同分数函数，如下所示：

from sklearn.metrics import confusion_matrix
confusion_matrix(y_true, y_pred)

进入张量流模型以获得不同的分数。

with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess:
init = tf.initialize_all_variables()
sess.run(init)
for epoch in xrange(1):
        avg_cost = 0.
        total_batch = len(train_arrays) / batch_size
        for batch in range(total_batch):
                train_step.run(feed_dict = {x: train_arrays, y: train_labels})
                avg_cost += sess.run(cost, feed_dict={x: train_arrays, y: train_labels})/total_batch
        if epoch % display_step == 0:
                print "Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(avg_cost)

print "Optimization Finished!"
correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
# Calculate accuracy
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print "Accuracy:", batch, accuracy.eval({x: test_arrays, y: test_labels})

我是否必须再次运行会话才能获得预测？

您实际上并不需要 sklearn 来计算精度/召回率/f1 分数。您可以通过查看以下公式轻松地以 TF 式的方式表达它们：

现在如果你有你的actual and predicted值作为 0/1 的向量，您可以使用以下方法计算 TP、TN、FP、FNtf.count_nonzero https://www.tensorflow.org/api_docs/python/tf/count_nonzero:

TP = tf.count_nonzero(predicted * actual)
TN = tf.count_nonzero((predicted - 1) * (actual - 1))
FP = tf.count_nonzero(predicted * (actual - 1))
FN = tf.count_nonzero((predicted - 1) * actual)

现在您的指标很容易计算：

precision = TP / (TP + FP)
recall = TP / (TP + FN)
f1 = 2 * precision * recall / (precision + recall)