我正在使用Keras中的CNN处理一个多分类问题。我的精确度和召回率总是超过1，这完全没有意义。下面附上了我的代码，我哪里做错了？

def recall(y_true, y_pred):     true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))     possible_positives = K.sum(K.round(K.clip(y_true, 0, 1)))     recall = true_positives / (possible_positives + K.epsilon())     return recalldef precision(y_true, y_pred):    true_positives = K.sum(K.round(K.clip(y_true * y_pred, 0, 1)))    predicted_positives = K.sum(K.round(K.clip(y_pred, 0, 1)))    precision = true_positives / (predicted_positives + K.epsilon())    return precisionmodel.compile(loss='categorical_crossentropy', optimizer='Adam', metrics=['accuracy',recall,precision])

回答：

我已经解决了这个问题。一旦你对所有分类标签进行独热编码，上述代码就能完美运行。另外，确保你的损失函数不是sparse_categorical_crossentropy，而是使用categorical_crossentropy。

如果你希望在Keras中将分类值转换为独热编码值，你可以使用以下代码：

from keras.utils import to_categoricaly_train = to_categorical(y_train)

你需要执行上述操作的原因在Keras文档中有说明：

“当使用categorical_crossentropy损失函数时，你的目标应该采用分类格式（例如，如果你有10个类别，每个样本的目标应该是10维向量，除了对应样本类别的索引位置为1外，其余位置均为0）。为了将整数目标转换为分类目标，你可以使用Keras工具to_categorical。”