擅长:python、mysql、java
<p>在分类设置中,优化器使损失最小化,例如交叉熵;准确度、F分数、精确度、召回率等基本上是业务指标,在优化过程中它们不是(也不能)直接最小化。在</p>
<p>这是一个经常出现的问题,以各种形式出现;下面是一些线索,希望能帮助你理清这些概念(尽管它们涉及准确度、精确性和回忆力,但F分数的论点完全相同):</p>
<p><a href="https://stackoverflow.com/questions/47817424/loss-accuracy-are-these-reasonable-learning-curves">Loss & accuracy - Are these reasonable learning curves?</a></p>
<p><a href="https://stackoverflow.com/questions/47891197/cost-function-training-target-versus-accuracy-desired-goal">Cost function training target versus accuracy desired goal</a></p>
<p><a href="https://stackoverflow.com/questions/52041931/is-there-an-optimizer-in-keras-based-on-precision-or-recall-instead-of-loss">Is there an optimizer in keras based on precision or recall instead of loss?</a></p>
<p>底线是,调整我自己(链接)的答案之一:</p>
<p>损失和诸如准确度或F-score之类的指标是不同的;粗略地说,从业务角度来看,准确度和F-score等指标是我们真正感兴趣的,而损失是学习算法(优化器)试图从<em>数学</em>角度最小化的目标函数。更粗略地说,你可以把损失看作是商业目标(准确度、F分数等)到数学领域的“翻译”,这是分类问题(在回归问题中,通常损失和商业目标是相同的,或者至少在原则上可以是相同的)中的翻译,e、 g.皇家海军陆战队。。。在</p>