我有一个Keras模型，其输出包含3个类别（0, 1, 2）：

    model = Sequential()    model.add(LSTM(100, input_shape=(n_time_steps,n_features)))    model.add(Dropout(0.5))    model.add(Dense(100, activation='relu'))    model.add(Dense(n_classes, activation='softmax'))    model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

我希望评估模型在类别1和2上的精度，而不关心类别0。也就是说，如果模型在类别1和2上的误报数量最少，那么模型就是好的，我对类别0的表现并不在意。

如何在Keras中编写这样的度量标准？

回答：

创建一个函数，接受真实值和预测结果，并计算你的度量标准：

def false_positives(y_true, y_pred):    negatives = 1 - y_true       y_pred = K.cast(K.greater(y_pred, 0.5), K.floatx()) #round to 0 or 1    #如果不将y_pred四舍五入，它甚至可以作为损失函数使用    falsePositives = y_pred * negatives    falsePositives1 = falsePositives[:,1]    falsePositives2 = falsePositives[:,2]    return something

使用 metrics = [false_positives]，或 metrics=['accuracy', false_positives_1, false_positives_2] 等。