TensorFlow实现模型评估

TensorFlow实现模型评估

我们需要评估模型预测值来评估训练的好坏。 模型评估是非常重要的，随后的每个模型都有模型评估方式。使用TensorFlow时，需要把模型评估加入到计算图中，然后在模型训练完后调用模型评估。

在训练模型过程中，模型评估能洞察模型算法，给出提示信息来调试、提高或者改变整个模型。但是在模型训练中并不是总需要模型评估，我们将展示如何在回归算法和分类算法中使用它。

训练模型之后，需要定量评估模型的性能如何。在理想情况下，评估模型需要一个训练数据集和测试数据集，有时甚至需要一个验证数据集。

想评估一个模型时就得使用大批量数据点。如果完成批量训练，我们可以重用模型来预测批量数据点。但是如果要完成随机训练，就不得不创建单独的评估器来处理批量数据点。

分类算法模型基于数值型输入预测分类值，实际目标是1和0的序列。我们需要度量预测值与真实值之间的距离。分类算法模型的损失函数一般不容易解释模型好坏，所以通常情况是看下准确预测分类的结果的百分比。

不管算法模型预测的如何，我们都需要测试算法模型，这点相当重要。在训练数据和测试数据上都进行模型评估，以搞清楚模型是否过拟合。

输出：

Step #25 A = [[ 5.79096079]]Loss = 16.8725Step #50 A = [[ 8.36085415]]Loss = 3.60671Step #75 A = [[ 9.26366138]]Loss = 1.05438Step #100 A = [[ 9.58914948]]Loss = 1.39841MSE on test:1.04MSE on train:1.13Step #200 A = [ 5.83126402]Loss = 1.9799Step #400 A = [ 1.64923656]Loss = 0.678205Step #600 A = [ 0.12520729]Loss = 0.218827Step #800 A = [-0.21780498]Loss = 0.223919Step #1000 A = [-0.31613481]Loss = 0.234474Step #1200 A = [-0.33259964]Loss = 0.237227Step #1400 A = [-0.28847221]Loss = 0.345202Step #1600 A = [-0.30949864]Loss = 0.312794Step #1800 A = [-0.33211425]Loss = 0.277342Accuracy on train set: 0.9625Accuracy on test set: 1.0

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。