我正在使用 Keras 构建一个用于回归任务的小型神经网络，我希望使用与 scikit-learn RandomForestRegressor 相同的准确性度量标准：

判定系数 R^2 定义为 (1 - u/v)，其中 u 是回归平方和 ((y_true - y_pred) ** 2).sum()，v 是残差平方和 ((y_true - y_true.mean()) ** 2).sum()。

这是一个方便的度量标准，因为它显示的值可以达到 1.0（类似于分类中的百分比准确性）。我对 Keras 后端的使用是否正确，能够实现我想要的准确性度量标准？

def create_model():    model = Sequential()    model.add(Dense(10, input_dim=X.shape[1], activation="relu"))    model.add(Dense(10, activation="relu"))    model.add(Dense(1))    # 编译模型    model.compile(loss="mean_squared_error", optimizer="adam", metrics=[det_coeff])    return model# 这个计算是否正确？def det_coeff(y_true, y_pred):    u = K.sum(K.square(y_true - y_pred))    v = K.sum(K.square(y_true - K.mean(y_true)))    return K.ones_like(v) - (u / v)

这似乎是可行的，因为没有错误，且度量标准随时间增加至接近 1，但我希望确保我正确实现了这个度量标准。

回答：

你可以查看这篇文章。我测试了以下代码，它可以满足你的需求。

from keras import backend as Kdef coeff_determination(y_true, y_pred):    SS_res =  K.sum(K.square( y_true-y_pred ))    SS_tot = K.sum(K.square( y_true - K.mean(y_true) ) )    return ( 1 - SS_res/(SS_tot + K.epsilon()) )