我们能否使用内置的tensorflow优化器来针对特定指标进行优化？如果不能，应该如何实现？例如，如果我想专注于最大化我的分类器的F分数，这是可能的吗？

estimator = tf.estimator.LinearClassifier(  feature_columns=feature_cols,  config=my_checkpointing_config,  model_dir=output_dir,  optimizer=lambda: tf.train.FtrlOptimizer(      learning_rate=tf.train.exponential_decay(          learning_rate=0.1,          global_step=tf.train.get_or_create_global_step(),          decay_steps=1000,          decay_rate=0.96)))

我试图根据获取更好的F分数来优化我的分类器。尽管使用了衰减的learning_rate和300个训练步骤，我得到的结果仍然不一致。在查看日志中的指标时，我发现precision、recall和accuracy的行为非常不稳定。尽管增加了训练步骤的数量，也没有显著的改善。因此我想，如果我能让优化器更多地关注于提高整体F分数，我可能会得到更好的结果。因此提出了这个问题。我是否遗漏了什么？

回答：

在分类设置中，优化器最小化的是损失，例如交叉熵；像准确率、F分数、精确率、召回率等量本质上是业务指标，它们在优化过程中无法直接最小化。

这个问题在Stack Overflow上以各种形式频繁出现；这里有一些线程，希望能帮助你理清这些概念（虽然它们提到的是准确率、精确率和召回率，但对于F分数的论证是完全相同的）：

损失和准确率 – 这些学习曲线合理吗？

成本函数训练目标与准确率期望目标

在Keras中是否有基于精确率或召回率而不是损失的优化器？

总结一下，改编我自己的一个（链接的）回答：

损失和像准确率或F分数这样的指标是不同的东西；大体来说，像准确率和F分数这样的指标是从业务角度我们真正感兴趣的，而损失是从数学角度学习算法（优化器）试图最小化的目标函数。更粗略地说，你可以将损失视为业务目标（准确率、F分数等）的“翻译”到数学领域，这种翻译在分类问题中是必要的（在回归问题中，通常损失和业务目标是相同的，或者至少原则上可以是相同的，例如均方根误差）…